forked from Alexey/DAS_2024_1
95 lines
4.1 KiB
Markdown
95 lines
4.1 KiB
Markdown
|
# Распределенные вычисления и приложения Л5
|
|||
|
|
|
|||
|
|
## _Автор Базунов Андрей Игревич ПИбд-42_
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
> ### Задание
|
|||
|
|
> - Кратко: реализовать умножение двух больших квадратных матриц.
|
|||
|
|
> - Подробно: в лабораторной работе требуется сделать два алгоритма: обычный и параллельный (задание со * - реализовать
|
|||
|
|
это в рамках одного алгоритма). В параллельном алгоритме предусмотреть ручное задание количества потоков (число
|
|||
|
|
потоков = 1 как раз и реализует задание со *), каждый из которых будет выполнять умножение элементов матрицы в
|
|||
|
|
рамках своей зоны ответственности.
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Алгоритм умножения:
|
|||
|
|
|
|||
|
|
### Функция умножения строки на столбец
|
|||
|
|
|
|||
|
|
<details>
|
|||
|
|
<summary>Код</summary>
|
|||
|
|
|
|||
|
|
```python
|
|||
|
|
def mul_row_and_column_in_thread(queue: _QUEUE_TYPE) -> list[tuple[int | float, int]]:
|
|||
|
|
result = []
|
|||
|
|
while queue.qsize():
|
|||
|
|
local_result = 0
|
|||
|
|
row, column, place = queue.get()
|
|||
|
|
for k in range(len(row)):
|
|||
|
|
local_result += row[k] * column[k]
|
|||
|
|
result.append((local_result, place))
|
|||
|
|
|
|||
|
|
return result
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
</details>
|
|||
|
|
|
|||
|
|
### Функция распределения вычислений между процессами и сборки результатов в матрицу
|
|||
|
|
|
|||
|
|
<details>
|
|||
|
|
<summary>Код</summary>
|
|||
|
|
|
|||
|
|
```python
|
|||
|
|
def mul_matrixs(m1: Matrix, m2: Matrix, threads: int = 0):
|
|||
|
|
if m1.size != m2.size:
|
|||
|
|
return None
|
|||
|
|
|
|||
|
|
if threads == 0:
|
|||
|
|
threads = 1
|
|||
|
|
|
|||
|
|
result = Matrix(size=m1.size, suplyer=0)
|
|||
|
|
|
|||
|
|
thread_queues = [Queue() for _ in range(threads)]
|
|||
|
|
thread_iterator = 0
|
|||
|
|
|
|||
|
|
for row_m1, column_m2 in itertools.product(m1.rows, m2.columns):
|
|||
|
|
thread_queues[thread_iterator].put((row_m1, column_m2, thread_iterator))
|
|||
|
|
thread_iterator += 1
|
|||
|
|
if thread_iterator >= threads:
|
|||
|
|
thread_iterator = 0
|
|||
|
|
|
|||
|
|
with ThreadPoolExecutor(max_workers=threads) as executor:
|
|||
|
|
flat = []
|
|||
|
|
|
|||
|
|
for item in executor.map(mul_row_and_column_in_thread, thread_queues):
|
|||
|
|
flat += item
|
|||
|
|
|
|||
|
|
flat.sort(key=lambda x: x[1])
|
|||
|
|
result.from_flat([*map(lambda x: x[0], flat)])
|
|||
|
|
|
|||
|
|
return result
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
</details>
|
|||
|
|
|
|||
|
|
| Размер матрицы | 1 Поток (сек) | 5 Потоков (сек) | 20 Потоков (сек) |
|
|||
|
|
|----------------|---------------|-----------------|------------------|
|
|||
|
|
| 50x50 | 0.00654 | 0.00666 | 0.00685 |
|
|||
|
|
| 100x100 | 0.03809 | 0.03753 | 0.03796 |
|
|||
|
|
| 150x150 | 0.11277 | 0.11239 | 0.11342 |
|
|||
|
|
| 200x200 | 0.24218 | 0.2474 | 0.25167 |
|
|||
|
|
| 250x250 | 0.45891 | 0.46111 | 0.46475 |
|
|||
|
|
| 300x300 | 0.80544 | 0.81466 | 0.8198 |
|
|||
|
|
| 350x350 | 1.28701 | 1.30309 | 1.32854 |
|
|||
|
|
| 400x400 | 1.93252 | 1.97905 | 2.00756 |
|
|||
|
|
| 450x450 | 2.81152 | 2.88893 | 2.94218 |
|
|||
|
|
| 500x500 | 3.87053 | 4.02238 | 4.03649 |
|
|||
|
|
| 550x550 | 5.26902 | 5.43371 | 6.10302 |
|
|||
|
|
| 600x600 | 6.82189 | 7.09791 | 7.17916 |
|
|||
|
|
| 650x650 | 8.80005 | 9.15325 | 11.26757 |
|
|||
|
|
| 700x700 | 11.04467 | 11.50241 | 12.2389 |
|
|||
|
|
| 750x750 | 13.50451 | 14.23333 | 18.4895 |
|
|||
|
|
| 800x800 | 16.5745 | 17.30878 | 20.61224 |
|
|||
|
|
| 850x850 | 19.99281 | 23.19894 | 30.13554 |
|
|||
|
|
| 900x900 | 23.48408 | 24.84928 | 31.74338 |
|
|||
|
|
| 950x950 | 27.84541 | 29.19429 | 41.40166 |
|
|||
|
|
| 1000x1000 | 32.5547 | 34.0334 | 44.55267 |
|