=

.idea/misc.xml

@@ -1,4 +1,7 @@
 <?xml version="1.0" encoding="UTF-8"?>
 <project version="4">
+  <component name="Black">
+    <option name="sdkName" value="Python 3.12 (DAS_2024_1)" />
+  </component>
   <component name="ProjectRootManager" version="2" project-jdk-name="Python 3.9 (tukaeva_alfiya_lab_4)" project-jdk-type="Python SDK" />
 </project>

melnikov_igor_lab_6/README.md

@@ -0,0 +1,30 @@
+ Лабораторная работа 6. Определение детерминанта матрицы с помощью параллельных вычислений
+
+## Задание
+
+Требуется сделать два алгоритма: обычный и параллельный. В параллельном алгоритме предусмотреть ручное задание количества потоков, каждый из которых будет выполнять нахождение отдельной группы множителей.
+
+
+### Описание работы программы
+
+Программа реализует вычисление детерминанта квадратной матрицы с использованием двух алгоритмов: *обычного и параллельного*.
+
+  1. Обычный алгоритм
+
+      Использует функцию ```numpy.linalg.det()``` для вычисления детерминанта.
+
+  2. Параллельный алгоритм
+
+      Разбивает матрицу на части и использует несколько потоков для параллельного вычисления детерминанта. Количество потоков задается вручную. Реализован с использованием библиотеки ```concurrent.futures```.
+
+Для каждого размера матрицы программа выводит полученные значения детерминантов и время выполнения обычного и параллельного алгоритмов.
+
+### Результат работы программы
+
+![](img.png "")
+
+#### Вывод
+
+Параллельное выполнение нахождения детерминанта может привести к ускорению, особенно на больших матрицах. Однако, для некоторых матриц, результаты детерминантов могут отличаться между обычным и параллельным выполнением. 
+
+# Видеозапись работы программы

melnikov_igor_lab_6/app.py

@@ -0,0 +1,50 @@
+import numpy as np
+import time
+import concurrent.futures
+
+def calculate_determinant(matrix):
+    return np.linalg.det(matrix)
+
+def calculate_determinant_parallel(matrix, num_threads):
+    result = 1.0
+    chunk_size = matrix.shape[0] // num_threads
+
+    def calculate_chunk(start, end):
+        nonlocal result
+        for i in range(start, end):
+            result *= matrix[i, i]
+
+    with concurrent.futures.ThreadPoolExecutor(max_workers=num_threads) as executor:
+        futures = []
+        for i in range(0, matrix.shape[0], chunk_size):
+            futures.append(executor.submit(calculate_chunk, i, i + chunk_size))
+
+        for future in concurrent.futures.as_completed(futures):
+            future.result()
+
+    return result
+
+def benchmark(matrix_size, num_threads_list=[1, 2, 4]):
+    # Генерация квадратной матрицы
+    matrix = np.random.rand(matrix_size, matrix_size)
+
+    # Бенчмарк для обычного нахождения детерминанта
+    start_time = time.time()
+    det_normal = calculate_determinant(matrix)
+    end_time = time.time()
+    print(f"Размер матрицы {matrix_size}x{matrix_size}")
+    print(f"Последовательный: Детерминант: {det_normal} Время выполнения: {end_time - start_time:.6f} секунд")
+
+    # Бенчмарк для параллельного нахождения детерминанта
+    for num_threads in num_threads_list:
+        start_time = time.time()
+        det_parallel = calculate_determinant_parallel(matrix, num_threads)
+        end_time = time.time()
+        print(f"Параллельный ({num_threads} поток): Детерминант: {det_parallel} Время выполнения: {end_time - start_time:.6f} секунд")
+
+    print()
+    
+# Запуск бенчмарков
+benchmark(100)
+benchmark(300)
+benchmark(500)