.idea/misc.xml

@@ -1,7 +1,4 @@
 <?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_5/README.md

@@ -1,26 +0,0 @@
-# Лабораторная работа №5 - Параллельное умножение матриц
-
-## Задание
-
-Требуется 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 программы
-
-Метод ```benchmark``` выполняет бенчмарк для матриц заданного размера. 
-
-Далее генерируются две матрицы ```matrix1``` и ```matrix2``` заданного размера.
-
-После этого вызываются соответствующие методы для вычисления произведения матриц: ```multiply_matrices``` для обычного умножения и ```multiply_matrices_parallel``` для параллельного умножения. 
-
-Измеряется время выполнения каждого из методов с использованием функции ```time.time()```.
-
-### Результат работы программы
-
-![](lab_5.png "")
-
-### Вывод
-
-Параллельный подход может быть более быстрым, чем последовательный на матрицах большого размера, так как он позволяет производить более Параллельное выполнение матричного умножения имеет смысл применять при работе с крупными матрицами, где выигрыш от параллельных вычислений компенсирует затраты на управление потоками. Для небольших матриц может быть эффективнее использовать обычное выполнение
-
-# Видеозапись работы программы
-https://disk.yandex.ru/i/5gUyRJw0TM7-rw

melnikov_igor_lab_5/app.py

@@ -1,51 +0,0 @@
-import numpy as np
-import time
-import concurrent.futures
-
-def multiply_matrices(matrix1, matrix2):
-    return np.dot(matrix1, matrix2)
-
-def multiply_matrices_parallel(matrix1, matrix2, num_threads):
-    result = np.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] = np.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
-
-def benchmark(matrix_size, num_threads_list=[1, 2, 4]):
-    # Генерация матриц
-    matrix1 = np.random.rand(matrix_size, matrix_size)
-    matrix2 = np.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)