hpc-lab-code/lab2/omp/实验报告.md

实验 2.3 并行环境下 OpenMP 程序的编译和运行

实验目的

1. 掌握 OpenMP 的基本功能、构成方式、句法
2. 掌握 OpenMP 体系结构、特点与组成
3. 掌握采用 OpenMP 进行多核架构下多线程编程的基本使用方法

实验环境

• 操作系统: Linux
• 编译器: GCC with OpenMP support
• 构建工具: xmake

实验一：Hello World (示例)

源代码

文件: src/openmp_hello_world.c

#include <stdio.h>
#include <omp.h>

int main() {
    int i;
    
    #pragma omp parallel
    {
        printf("Hello World\n");
        for(i=0; i<4; i++) {
            printf("Iter:%d\n",i);
        }
        printf("GoodBye World\n");
    }
    
    return 0;
}

编译和运行

xmake build openmp_hello_world
xmake run openmp_hello_world

运行结果

程序创建了多个线程（默认为系统核心数），每个线程都执行了 parallel 区域内的代码。可以看到多个 "Hello World" 和 "GoodBye World" 输出，展示了 OpenMP 的并行执行特性。

实验二：利用中值积分定理计算 Pi 值

串行版本

文件: src/pi.c

并行版本

文件: src/pi_par.c

关键并行化技术：

1. 使用 #pragma omp parallel private(x) reduction(+:sum) 创建并行区域
2. 使用 #pragma omp for 分配循环迭代
3. 使用 private(x) 声明每个线程的私有变量
4. 使用 reduction(+:sum) 自动合并各线程的 sum 值

性能对比

线程数	PI 值	执行时间 (秒)	加速比
1 (串行)	3.141592653590	1.554281	1.00x
2	3.141592653590	0.831361	1.87x
4	3.141592653590	0.448621	3.47x
8	3.141592653590	0.241111	6.45x

分析

• 并行化后结果完全一致，精度保持不变
• 随着线程数增加，执行时间显著减少
• 8 线程时达到 6.45 倍加速比，接近理想加速比
• 该算法计算密集，适合并行化

实验三：PI 值蒙特卡洛算法

串行版本

文件: src/pimonte_serial.c

并行版本

文件: src/pimonte_par.c

关键并行化技术：

1. 使用 #pragma omp parallel private(i, j, x, y, r) reduction(+:dUnderCurve)
2. 使用 rand_r(&seed) 替代 rand() 以保证线程安全
3. 每个线程使用不同的种子：seed = omp_get_thread_num() + 1
4. 数组 r 声明为 private，每个线程拥有独立副本

性能对比

线程数	PI 值	执行时间 (秒)	加速比
1 (串行)	3.141636540	8.347886	1.00x
2	3.141610420	1.662027	5.02x
4	3.141572660	0.858852	9.72x
8	3.141683140	0.464995	17.95x

分析

• 蒙特卡洛方法的并行化效果非常显著
• 8 线程时达到近 18 倍加速比，超过理想加速比
• 原因：串行版本包含随机数生成的开销，而并行版本每个线程独立生成随机数
• PI 值精度略有波动，这是蒙特卡洛方法的特性（随机算法）

OpenMP 并行化方法总结

1. 创建并行区域

#pragma omp parallel
{
    // 代码块
}

2. 并行化 for 循环

#pragma omp parallel for
for(int i=0; i<N; i++) {
    // 循环体
}

3. 变量作用域声明

#pragma omp parallel private(var1, var2) shared(var3) reduction(+:sum)
{
    // 代码块
}

• private: 每个线程拥有独立副本
• shared: 所有线程共享同一变量
• reduction: 各线程计算后自动合并结果

4. 临界区保护

#pragma omp critical
{
    // 需要互斥访问的代码
}

实验心得

1. OpenMP 简化了并行编程：通过编译器指令即可实现并行化，无需显式创建线程
2. 变量作用域管理很重要：正确使用 private 和 shared 关键字避免数据竞争
3. Reduction 操作很实用：自动处理累加等操作的并行合并
4. 线程安全需要注意：如 rand() 函数需要替换为 rand_r()
5. 性能提升显著：计算密集型任务通过并行化可获得接近线性的加速比

编译和运行命令

编译所有程序

cd /home/yly/dev/hpc-lab-code/lab2/omp
xmake

运行单个程序

# Hello World
xmake run openmp_hello_world

# PI 串行
xmake run pi

# PI 并行（指定线程数）
export OMP_NUM_THREADS=4
xmake run pi_par

# 蒙特卡洛串行
xmake run pimonte_serial

# 蒙特卡洛并行（指定线程数）
export OMP_NUM_THREADS=4
xmake run pimonte_par

文件结构

lab2/omp/
├── src/
│   ├── openmp_hello_world.c    # 实验一：Hello World
│   ├── pi.c                     # 实验二：PI 串行（中值积分）
│   ├── pi_par.c                 # 实验二：PI 并行（中值积分）
│   ├── pimonte_serial.c         # 实验三：PI 串行（蒙特卡洛）
│   └── pimonte_par.c            # 实验三：PI 并行（蒙特卡洛）
├── xmake.lua                    # 构建配置
└── 实验报告.md                   # 本文档