初始多面体优化

最新推荐文章于 2024-05-30 16:17:47 发布

热*土

最新推荐文章于 2024-05-30 16:17:47 发布

阅读量303

点赞数

文章标签：算法编辑器

本文链接：https://blog.csdn.net/qq_39814938/article/details/127452016

版权

初识多面体优化

什么是多面体优化

多面体优化通常是基于线性代数和整数规划技术，把一个深度为n的循环嵌套结构的迭代建模为n维多面体

为什么研究多面体优化

多核架构与云计算的飞速发展奠定了现在主流处理器设备皆是多核架构，如何提高并行性（相互独立的代码在不同的处理器上执行）和利用数据的局部性（需要再多核执行的基础上尽量减小相互之间的通信，往往通信时间是读写时间的两倍），给传统单核架构应用开发移植到多核架构带来了挑战性。这要求程序员不仅得十分了解机器的硬件结构，甚至还得了解不同硬件框架下模型。对此，提出了多面体优化，让程序员从并行代码编写的任务解放出来。

多面体优化的优点

多面体优化应用范围更广

相对于传统的幺模矩阵只能处理完美的循环嵌套，多面体还能处理非循环嵌套。

表示能力更强

多面体在能处理循环嵌套、倾斜、翻转优化的前提下，还能自动实现循环的分块和合并，分布等循环变换技术。

优化空间大

多面体能够同时实现多个循环变化。

多面体优化的特点

迭代空间

迭代空间是指一次动态执行实例的集合，通俗来说就是各个循环下下标的取值

for(int i=1;i<=10;i++){
    for(int j=1;j<=10;j++){
        a++;
    }
}
对应的就是{{i=1,j=1},{i=1,j=2},......{i=10,j=10}};

访存映射

使用仿射函数将原迭代空间的实例映射到各个处理器上

依赖关系

表示访存相同元素的两个语句实例的偏序关系，通俗来讲就是后面执行的语句中会不会使用到前面更改后的值

调度

满足所有依赖关系的前提下的执行顺序。

分块

将原始的迭代空间进行分块计算。

为什么要分块？

for(int i=0;i<n;i++){
    for(int j=0;j<n;j++){
        z[i][j]=0.0
    }
    for(int k=0;k<n;k++){
        z[i][j]=z[i][j]+x[i][k]*y[k][j];
    }
}

在该程序中，若为串行执行

在这里插入图片描述
如图所示，我们在假设c是高速缓存线的数组元素个数并且假设其为4，数组元素为12。
访问X矩阵的时候，逐行访问，X的一行如图所示将分布在n/c（12/4=3）个缓存线中，因此针对下标i，会访存脱靶（n/c）3次。因此n个行，会出现n * * 2 / c次脱靶。
访问Y矩阵的时候，逐列访问（因为矩阵乘法的缘故），该列所有元素存放在n个高速缓存线中，当高速缓存能达到存放这n个高速缓存线时候，会出现n * * 2 / c次脱靶，如果不能，最坏的情况即是无高速缓存线出现n * * 2次脱靶，因此脱靶次数居于两种情况之间。（仅为i=0的情况）因此总的脱靶率将在n * * 3/ c次

X+Y的脱靶则为n * * 2 / c+n * * 3/ c到n * * 2 / c+n * * 3之间

若为并行运行

我们假设p个处理器，我们将Z的各行分配给不同处理器，每个处理只需要访问X的n/p行和Z的n/p行，和Y矩阵的全部。每个处理器将计算n * * 2/p个Z元素，计算量为n * * * 3 /p次
而通信量因为每个处理器要读取n * * 2/p个X的元素和Y的所有元素。所以导致通信量为n * * 2/c+pn* *2/c次。虽然利用了数据的局部性，但性能仍然未能提高。

分块运行

在这里插入图片描述

根据分块

矩阵
for(int ii=0;ii<n;ii+=B){
	for(int jj=0;jj<n;jj+=B){
		for(int kk=0;kk<n;kk+=B){
			for(int i=ii;i<ii+B;i++){
				for(int j=jj;j<jj+B;j++){
					for(int k=kk;k<kk+B;k++){
						Z[i][j]=Z[i][j]+X[i][k]*y[k][j];
					}
				}
			}
		}
	}
}

于是每个小分块需要B * * 2/c次脱靶，对于确定的块一共加载了B * * 3次，整个矩阵执行了 n * * 3次于是加载进缓存的次数是n * * 3/B * * 3次，每次加载X和Y用了2B * * 2/c，于是总共2 n * *3/bc次，当B足够大的时候，效率最好。