线程数组一例
下面是一个示例代码，展示了如何使用 C++ 的 std::thread 并发创建一组线程，并且每个线程完成一个大运算的一部分。在这个示例中，我们使用 OpenMP 来加速每个线程内部的运算，最后等待所有线程完成。
示例代码
#include <iostream>
#include <vector>
#include <thread>
#include <omp.h> // 包含 OpenMP 头文件
// 定义一个大运算的函数，使用 OpenMP 加速
void computeChunk(int start, int end) {
// 假设我们有一个很大的数组需要处理
std::vector<int> data(end - start);
// 使用 OpenMP 并行处理数组的一部分
#pragma omp parallel for
for (int i = start; i < end; ++i) {
data[i - start] = i * i; // 简单的计算示例
}
// 输出处理结果
std::cout << "Processed chunk from " << start << " to " << end << std::endl;
}
int main() {
const int numThreads = 4; // 线程数量
const int totalWorkload = 1000000; // 总工作量
const int chunkSize = totalWorkload / numThreads; // 每个线程的工作量
std::vector<std::thread> threads;
// 创建线程组，每个线程处理一部分工作
for (int i = 0; i < numThreads; ++i) {
int start = i * chunkSize;
int end = (i + 1) * chunkSize;
threads.emplace_back(computeChunk, start, end);
}
// 等待所有线程完成
for (auto& t : threads) {
t.join();
}
std::cout << "All threads completed their work." << std::endl;
return 0;
}代码说明
- computeChunk 函数：这个函数接受 start 和 end 参数，表示要处理的工作范围。在这个函数中，我们使用 OpenMP 的 #pragma omp parallel for 指令来并行处理数据。
- 主线程：
- 创建一个 std::vector<std::thread> 来存储所有线程。
- 使用一个循环创建 numThreads 个线程，每个线程调用 computeChunk 函数，并传递相应的工作范围。
- 使用 join 等待所有线程完成。
- OpenMP 的使用：在 computeChunk 函数中，我们使用 OpenMP 的并行 for 循环来加速数据处理。OpenMP 会自动将循环任务分配给多个线程并行执行。
编译和运行
要编译这个程序，你需要确保编译器支持 C++11 和 OpenMP。例如，使用 GCC 编译器，你可以这样编译：
g++ -std=c++11 -fopenmp -o parallel_computation parallel_computation.cpp
然后运行生成的可执行文件：
./parallel_computation
注意事项
- 线程数量和负载均衡：在这个示例中，我们假设工作量是均匀分布的。如果工作量不均匀，可能需要调整分块策略或使用更复杂的负载均衡技术。
- 数据同步：在实际应用中，如果多个线程需要访问和修改共享数据，需要使用适当的同步机制（例如 std::mutex 或 std::atomic）来保证线程安全。