Направление развития параллельного программирования программных средств моделирующих комплексов военного назначения

Abstract

В статье рассмотрены вопросы классификационного выбора предпочтительных алгоритмов распараллеливания (с минимальным временем выполнения), реализованных в инструментальных средствах разработки параллельных программ для многоядерных (многопроцессорных) вычислительных систем с общей памятью, на основе собираемой обучающей статистической информации параметров выполнения циклов, предыдущих запусков программы. Классификационное (решающее) правило отбора предпочтительного алгоритма в процессе обучения может строиться только на основе информации из обучающей выборки предыдущих запусков. Эта информация должна не просто запоминаться, а обобщаться и преобразовываться в образ, наиболее похожий на новый распознаваемый образ, характеризующий неизвестный программный цикл. С этой целью в статье приведены три методики, позволяющие на основе математического аппарата теории вероятностей последовательно собирать и преобразовывать обучающие выборки под каждый циклический участок программы к виду образа (конечного профиля проекта), обеспечивающего функциональную связь между количеством итераций текущего цикла и предпочтительным алгоритмом распараллеливания. Полученная зависимость дает возможность производить автоматический выбор предпочтительного алгоритма распараллеливания на основе классификационного отбора по входному параметру (количества итераций) цикла в сформированном профиле проекта, состоящем из совокупности кортежей предпочтительных алгоритмов распараллеливания. Целью данной статьи является оценка влияния времени выполнения распараллеленных циклических участков целевой программы с применением предлагаемого метода автоматизированного выбора предпочтительных алгоритмов при многопоточном параллельном выполнении программы в многоядерных (многопроцессорных) ПЭВМ на показатели результатов имитационного моделирования боевых действий

The article discusses the issues of classification selection of preferred parallelization algorithms (with minimal execution time) implemented in parallel software development tools for multi-core (multiprocessor) computing systems with shared memory, based on the collected training statistical information of the parameters of the execution of cycles, previous program launches. The classification (decisive) rule for selecting the preferred algorithm in the learning process can be built only based on information from the training sample of previous runs, this information should not just be remembered, but should be generalized and transformed into an image most similar to the new recognizable image characterizing an unknown program cycle. To this end, the article presents three methods that allow, based on the mathematical apparatus of probability theory, to sequentially collect and transform training samples for each cyclic section of the program to the form of an image providing a functional relationship between the number of iterations of the current cycle and the preferred parallelization algorithm. The obtained dependence allows automatic selection (in real time) of the preferred parallelization algorithm based on classification selection by the input parameter (number of iterations) of the cycle in the generated project profile consisting of a set of tuples of preferred parallelization algorithms. The purpose of this article is to assess the impact of the execution time of parallelized cyclic sections of the target program, using the proposed method of automated selection of preferred algorithms, with multithreaded parallel execution of the program in multi-core (multiprocessor) PCs on the results of simulation of combat operations