C++ ppl.h的并行#u不快于顺序c++；

我有这样的代码（伪代码，因为我不能显示我的程序）：

concurrent_向量a，b，c；
并发\u无序\u映射结果；
对于（i=0；iread（&a，&b，&c）；
}
（0，sequenceCount，[]（int i）的并行_{
var aa=a[i]；
var bb=b[i]；
var cc=c[i]；
resultOfFunction=MakeFunction（aa、bb、cc）；
mapForResults.insert（resultOfFunction）；
}，static_partitioner（））；

---

它可以工作，但比顺序版本慢得多。你知道为什么吗？这是我第一次使用ppl.h，所以我不知道所有的技巧和窍门。

程序的每个并行版本都比单线程版本需要更多的指令。设置线程和管理对共享数据的访问时，不可避免地会有开销。这是一个问题通常是有限的开销，当您有足够的可用内核时，额外的指令不会转化为额外的时间。简单地说，如果您有300%的额外内核，10%的开销不是什么大问题

---

在这种情况下，

MakeFunction

可能非常小。这意味着您确实有很多开销，并且您的额外内核花费了所有时间来争夺

mapForResults

每个并行版本的程序都比单线程版本需要更多的指令。setti中存在不可避免的开销中断线程和管理对共享数据的访问。这通常是有限的开销，当您有足够的可用内核时，额外的指令不会转化为额外的时间。简单地说，如果您有300%的额外内核，10%的开销不是什么大问题

---

在这种情况下，

MakeFunction

可能非常小。这意味着您确实有很多开销，而且您的额外内核一直在为

mapForResults

而斗争。缓存在两个循环之间的行为如何？在并行版本中是否有很多缓存未命中？我如何验证它？我是beginne如果你在Linux上，你可以使用。不幸的是Windows。也许会有帮助。缓存在两个循环之间是如何表现的？你在并行版本中有很多缓存缺失吗？我如何验证它？我是C++ C++的初学者。如果你在Linux上，你可以使用。不幸的是，Windows可能会有帮助。unobe。这个函数很大。当我在小数据库（大约30个序列）上使用它时，它的速度是顺序的两倍。但当我试图在数据库上使用大约10000个序列时，它的速度很慢。还有一个问题：如果我使用的是并发向量或并发无序映射战斗也可能是问题？我选择它而不是关键部分，因为我认为它不会战斗。“MakeFunction很大”这有点让人困惑-但是你接着说的是“数据库”。在添加“数据库”这个词时，你改变了你的问题。也许你可以添加更多关于这个“MakeFunction”是什么和做什么的信息。@Queen:为什么选择无序映射（又称哈希表）作为输出结构？它是O（1）每次插入都必须维护查找，这不是免费的。使用大小为

sequenceCount

的普通向量可能更容易。它不需要是并发的，因为容器不需要更改大小，每个元素都由单个线程访问一次。确定：

std:：vector示例（sequenceCount）

不幸的是MakeFunction很大。当我在小数据库上使用它时（大约30个序列），它的速度是顺序的两倍。但当我试图在数据库上使用大约10000个序列时，它的速度很慢。还有一个问题：如果我使用的是并发向量或并发无序映射战斗也可能是问题？我选择它而不是关键部分，因为我认为它不会战斗。“MakeFunction很大”这有点让人困惑-但是你接着说的是“数据库”。在添加“数据库”这个词时，你改变了你的问题。也许你可以添加更多关于这个“MakeFunction”是什么和做什么的信息。@Queen:为什么选择无序映射（又称哈希表）作为输出结构？它是O（1）每次插入都必须保持查找，这不是免费的。使用大小为

sequenceCount

的普通向量可能更容易。它不需要是并发的，因为容器不需要更改大小，每个元素都由单个线程访问一次。确保：

std:：vector example（sequenceCount）；

concurrent_vector a, b, c;
concurrent_unordered_map mapForResult;

for(i=0; i<sequenceCount; i++){
  variables temp_a, temp_b, temp_c;
  database->read(&a, &b, &c);
}

parallel_for(0, sequenceCount, [](int i){
  var aa = a[i];
  var bb = b[i];
  var cc = c[i];

  resultOfFunction = MakeFunction(aa, bb, cc);

  mapForResults.insert(resultOfFunction);
}, static_partitioner());