Merge pull request 'presnyakova_victoria_lab5' (#136) from presnyakova_victoria_lab5 into main

Reviewed-on: Alexey/DAS_2024_1#136

presnyakova_victoria_lab_5/main.py

@@ -0,0 +1,73 @@
+import numpy as np
+import time
+import multiprocessing
+import concurrent.futures
+
+
+def multiply_matrices_sequential(matrix_a, matrix_b):
+    if len(matrix_a[0]) != len(matrix_b):
+        raise ValueError("матрицы имеют разную длину")
+
+    result = [[0 for _ in range(len(matrix_b[0]))] for _ in range(len(matrix_a))]
+
+    for i in range(len(matrix_a)):
+        for j in range(len(matrix_b[0])):
+            for k in range(len(matrix_b)):
+                result[i][j] += matrix_a[i][k] * matrix_b[k][j]
+
+    return result
+
+
+def multiply_row(args):
+    matrix_a, matrix_b, i = args
+    row_result = [0 for _ in range(len(matrix_b[0]))]
+    for j in range(len(matrix_b[0])):
+        for k in range(len(matrix_b)):
+            row_result[j] += matrix_a[i][k] * matrix_b[k][j]
+    return row_result, i
+
+
+def multiply_matrices_parallel(matrix_a, matrix_b, threads):
+    if len(matrix_a[0]) != len(matrix_b):
+        raise ValueError("матрицы имеют разную длину")
+
+    result = [[0 for _ in range(len(matrix_b[0]))] for _ in range(len(matrix_a))]
+
+    with multiprocessing.Pool(processes=threads) as pool:
+        args_list = [(matrix_a, matrix_b, i) for i in range(len(matrix_a))]
+        rows_results = pool.map(multiply_row, args_list)
+
+    for row_result, row_index in rows_results:
+        result[row_index] = row_result
+
+    return result
+
+
+# Бенчмарк тесты
+def benchmark(matrix_size, num_threads):
+    A = np.random.rand(matrix_size, matrix_size)
+    B = np.random.rand(matrix_size, matrix_size)
+
+    # Последовательное умножение
+    start_time = time.time()
+    multiply_matrices_sequential(A, B)
+    sequential_time = time.time() - start_time
+
+    # Параллельное умножение
+    start_time = time.time()
+    multiply_matrices_parallel(A, B, num_threads)
+    parallel_time = time.time() - start_time
+
+    print(f"Размер матрицы: {matrix_size}x{matrix_size}")
+    print(f"Время последовательного алгоритма: {sequential_time:.4f} секунд")
+    print(f"Время параллельного алгоритма ({num_threads} потоков): {parallel_time:.4f} секунд")
+    print("\n")
+
+
+if __name__ == '__main__':
+
+    # Проведение бенчмарков
+    sizes = [100, 300, 500]
+    for size in sizes:
+        benchmark(size, num_threads=1)  # 1 поток для проверки равенства результатов
+        benchmark(size, num_threads=4)  # 4 потока

presnyakova_victoria_lab_5/readme.md

@@ -0,0 +1,61 @@
+# Лабораторная работа №5 - Вспоминаем математику или параллельное перемножение матриц
+
+Изучение параллельного умножения матриц
+
+# Задачи
+
+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.
+
+Сделать несколько бенчмарков последовательного и параллельного алгоритма на умножение двух матриц 
+размером 100x100, 300x300, 500x500 элементов.
+# Запуск
+
+Проект запускается в ide просто по нажатию у питон файла на функцию мейн.
+
+# Описание работы:
+Консольное приложение для сравнения эффективности работы алгоритмов.
+
+В программе предусмотрена возможность задания количества процессов для распараллеливания.
+Используется библиотека python multiprocessing.
+
+Для маленьких матриц прирост скорости от параллельного алгоритма может быть незначительным из-за накладных расходов на управление потоками.
+При увеличении размера матрицы параллельное умножение показывает большее ускорение.
+Оптимальное количество потоков зависит от архитектуры процессора: на системах с большим числом ядер прирост производительности от увеличения числа потоков может быть более значительным.
+
+
+Размер матрицы: 100x100
+Время последовательного алгоритма: 0.4051 секунд
+Время параллельного алгоритма (1 потоков): 0.6888 секунд
+
+
+Размер матрицы: 100x100
+Время последовательного алгоритма: 0.4047 секунд
+Время параллельного алгоритма (4 потоков): 0.3908 секунд
+
+
+Размер матрицы: 300x300
+Время последовательного алгоритма: 10.7615 секунд
+Время параллельного алгоритма (1 потоков): 10.8965 секунд
+
+
+Размер матрицы: 300x300
+Время последовательного алгоритма: 11.3544 секунд
+Время параллельного алгоритма (4 потоков): 4.7440 секунд
+
+
+Размер матрицы: 500x500
+Время последовательного алгоритма: 58.7989 секунд
+Время параллельного алгоритма (1 потоков): 55.3291 секунд
+
+
+Размер матрицы: 500x500
+Время последовательного алгоритма: 57.8112 секунд
+Время параллельного алгоритма (4 потоков): 22.4297 секунд
+
+# Ссылка на видео
+https://drive.google.com/file/d/1FLVGgw3e8Lzo-f6kq5WENtOH_wexH6Gc/view?usp=sharing