fadeeva_nastya_lab_5

fadeeva_nastya_lab_5/README.md

@@ -0,0 +1,32 @@
+# Лабораторная работа №5 - Параллельное умножение матриц
+
+## Задание
+
+Требуется реализовать умножение двух больших квадратных матриц. 
+Надо сделать два алгоритма: обычный и параллельный. В параллельном алгоритме предусмотреть ручное задание количества потоков, каждый из которых будет выполнять умножение элементов матрицы в рамках своей зоны ответственности.
+
+## Описание работы
+
+Функция **benchmark** выполняет бенчмарк для матриц заданного размера. 
+
+Генерируются две матрицы **matrix1** и **matrix2** заданного размера.
+
+После вызываются соответствующие методы для вычисления произведения матриц: 
++ **multiply_matrices** - для обычного умножения
++ **multiply_matrices_parallel** -  для параллельного умножения 
+
+Прописываем бенчмарк (**benchmark**) для сравнения производительности, где генерируется две случайные матрицы заданного размера с помощью **random** и измеряется время выполнения каждого из методов с использованием функции **time.time()**. Функция **benchmark** вызывается трижды с различными размерами матриц (100x100, 300x300 и 500x500).
+
+### Результат работы программы
+
+![](RVIP_lab_5.png "")
+
+## Вывод
+
+Параллельный подход может быть более эффективным, чем последовательный, при работе с большими матрицами, поскольку он позволяет выполнять операции параллельно. 
+Это имеет смысл использовать при работе с крупными матрицами, где выигрыш от параллельных вычислений компенсирует затраты на управление потоками. 
+Однако для небольших матриц может быть более эффективным использовать обычное выполнение.
+
+# Видеозапись работы програмы
+
+https://vkvideo.ru/video186826232_456239556

fadeeva_nastya_lab_5/main.py

@@ -0,0 +1,54 @@
+import time
+import numpy
+import concurrent.futures
+
+# Функция для умножения матриц
+def multiply_matrices(matrix1, matrix2):
+    return numpy.dot(matrix1, matrix2)
+
+# Параллельное умножение матриц
+def multiply_matrices_parallel(matrix1, matrix2, num_threads):
+    result = numpy.zeros_like(matrix1)
+    chunk_size = matrix1.shape[0] // num_threads
+
+    def multiply_chunk(start, end):
+        nonlocal result
+        for i in range(start, end):
+            result[i] = numpy.dot(matrix1[i], matrix2)
+
+    with concurrent.futures.ThreadPoolExecutor(max_workers=num_threads) as executor:
+        futures = []
+        for i in range(0, matrix1.shape[0], chunk_size):
+            futures.append(executor.submit(multiply_chunk, i, i + chunk_size))
+
+        for future in concurrent.futures.as_completed(futures):
+            future.result()
+
+    return result
+
+# Бенчмарк для сравнения производительности
+def benchmark(matrix_size, num_threads_list=[1, 2, 4]):
+    # Генерация матриц
+    matrix1 = numpy.random.rand(matrix_size, matrix_size)
+    matrix2 = numpy.random.rand(matrix_size, matrix_size)
+
+    # Бенчмарк для обычного умножения
+    start_time = time.time()
+    result = multiply_matrices(matrix1, matrix2)
+    end_time = time.time()
+    print(f"Размер матрицы {matrix_size}x{matrix_size}")
+    print(f"Последовательный: Время выполнения: {end_time - start_time:.6f} секунд")
+
+    # Бенчмарк для параллельного умножения
+    for num_threads in num_threads_list:
+        start_time = time.time()
+        result_parallel = multiply_matrices_parallel(matrix1, matrix2, num_threads)
+        end_time = time.time()
+        print(f"Параллельный ({num_threads} поток): Время выполнения: {end_time - start_time:.6f} секунд")
+
+    print()
+    
+# Запуск бенчмарков
+benchmark(100)
+benchmark(300)
+benchmark(500)