kurushina_ksenia_lab_5/README.md

@@ -0,0 +1,64 @@
+# Лабораторная работа: Реализация умножения матриц
+
+## Краткое описание
+
+**Цель работы** – разработать и сравнить последовательный и 
+параллельный алгоритмы умножения матриц, оценив их 
+производительность на матрицах больших размеров.
+
+### Основные задачи:
+1. Реализовать алгоритм последовательного умножения матриц.
+2. Создать параллельный алгоритм с настраиваемым числом потоков.
+3. Провести бенчмарки обоих алгоритмов на матрицах размером 100x100, 300x300 и 500x500.
+4. Проанализировать результаты и определить влияние размера матрицы и количества потоков на производительность.
+
+## Теоретическая часть
+
+Умножение матриц является ключевой операцией во многих областях, включая машинное обучение, 
+обработку изображений и моделирование физических процессов. Сложность умножения двух матриц размером 
+`N x N` составляет O(N³), что делает задачу вычислительно затратной. Для ускорения вычислений используется параллелизм,
+позволяющий распределить работу между несколькими потоками.
+
+## Описание реализации
+
+1. **Последовательный алгоритм** реализован в файле `sequential.py`. Каждый элемент результирующей матрицы вычисляется 
+2. как сумма произведений соответствующих элементов 
+3. строки первой матрицы и столбца второй.
+   
+2. **Параллельный алгоритм** описан в модуле `parallel.py`.
+3. Для выполнения вычислений используется многопоточность: каждый поток обрабатывает отдельный блок
+4. строк результирующей матрицы. Пользователь может задать число потоков для регулирования нагрузки и эффективности работы.
+
+## Результаты экспериментов
+
+Тесты проводились на матрицах следующих размеров: 100x100, 300x300 и 500x500.
+Для параллельного алгоритма изменялось 
+число потоков, чтобы оценить их влияние на скорость вычислений.
+
+
+## Анализ результатов
+
+1. **Эффективность параллелизма**: Параллельный алгоритм показал прирост производительности 
+для больших матриц. При размере 500x500 с 4 потоками наблюдалось значительное ускорение.
+   
+2. **Число потоков**: Увеличение потоков улучшает производительность только до определённого момента.
+Для маленьких матриц (например, 100x100) дополнительная параллелизация может быть неэффективной.
+
+3. **Ограничения параллелизма**: Накладные расходы на управление потоками 
+и их синхронизацию уменьшают преимущества многопоточности при малых объёмах данных.
+
+4. **Рекомендации**:
+
+Параллельные алгоритмы наиболее эффективны при работе с большими матрицами. 
+Настройка числа потоков должна учитывать ресурсы системы и размер задачи.
+
+## Заключение
+
+Данная работа продемонстрировала эффективность параллельного умножения матриц на больших данных. 
+Оптимизация параметров параллельного алгоритма позволяет 
+значительно сократить время выполнения задач, связанных с вычислительной обработкой матриц.
+
+## Ссылка на видео
+
+https://cloud.mail.ru/public/tKoW/ZLDNyHam2
+

kurushina_ksenia_lab_5/main.py

@@ -0,0 +1,29 @@
+import time
+import random
+
+from DAS_2024_1.kurushina_ksenia_lab_5.parallel import matrix_multiply_parallel
+from DAS_2024_1.kurushina_ksenia_lab_5.sequential import matrix_multiply_sequential
+
+
+def generate_matrix(size):
+    return [[random.randint(0, 10) for _ in range(size)] for _ in range(size)]
+
+def benchmark(matrix_size, num_threads):
+    A = generate_matrix(matrix_size)
+    B = generate_matrix(matrix_size)
+
+    start = time.time()
+    matrix_multiply_sequential(A, B)
+    sequential_time = time.time() - start
+
+    start = time.time()
+    matrix_multiply_parallel(A, B, num_threads)
+    parallel_time = time.time() - start
+
+    print(f"Размер матрицы: {matrix_size}x{matrix_size}")
+    print(f"Последовательное время: {sequential_time:.5f} сек")
+    print(f"Параллельное время ({num_threads} потоков): {parallel_time:.5f} сек")
+
+if __name__ == "__main__":
+    for size in [100, 300, 500]:
+        benchmark(size, num_threads=4)

kurushina_ksenia_lab_5/parallel.py

@@ -0,0 +1,21 @@
+from concurrent.futures import ThreadPoolExecutor
+
+def matrix_multiply_parallel(A, B, num_threads=1):
+    n = len(A)
+    result = [[0] * n for _ in range(n)]
+
+    def worker(start, end):
+        for i in range(start, end):
+            for j in range(n):
+                result[i][j] = sum(A[i][k] * B[k][j] for k in range(n))
+
+    chunk_size = n // num_threads
+    with ThreadPoolExecutor(max_workers=num_threads) as executor:
+        futures = [
+            executor.submit(worker, i * chunk_size, (i + 1) * chunk_size)
+            for i in range(num_threads)
+        ]
+        for future in futures:
+            future.result()
+
+    return result

kurushina_ksenia_lab_5/sequential.py

@@ -0,0 +1,9 @@
+def matrix_multiply_sequential(A, B):
+    n = len(A)
+    result = [[0] * n for _ in range(n)]
+
+    for i in range(n):
+        for j in range(n):
+            result[i][j] = sum(A[i][k] * B[k][j] for k in range(n))
+
+    return result