.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_6/README.md

@@ -1,31 +0,0 @@
- 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. 
-
-# Видео работы программы
-https://disk.yandex.ru/i/ZHAw4dMnrX5lkQ

melnikov_igor_lab_6/app.py

@@ -1,50 +0,0 @@
-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)