Multithreading 线性系统解算器在Julia中是否与在Matlab中一样也是多线程的？以及如何"；多线程；是朱莉娅吗？

我试图比较Matlab和Julia的速度和性能。我正在看一个代码，它对承受给定载荷的连续体结构进行拓扑优化。我看到的代码是公共代码topopt88.m：

本质上，它是一种迭代算法，在每次迭代中，Ax=b系统被求解（x=a\b），其中a取决于结构设计（它是有限元刚度矩阵），并在每次迭代中更新

在Julia中，相同的代码运行速度比Matlab慢。我在Julia中做了一些代码优化，在函数定义中声明类型，尽可能多地使用函数，避免全局变量，并实现了我在internet上找到的其他技巧。但是Julia仍然比相同的Matlab代码慢（概念步骤相同）

---

我的问题：既然Matlab系统解“\”是，朱莉娅也是这样吗？如果没有，如何使用多线程Julia的\运算符，或者类似地从并行化中获得加速？

默认情况下，Julia使用BLAS/OpenBLAS，您可以将其配置为多线程。这需要在多线程设置中运行Julia，并设置

BLAS.set_num_threads（）

配置

以下是如何：

开始之前：

set JULIA_NUM_THREADS=4

或者在Linux上

export JULIA_NUM_THREADS=4

现在让我们在单个线程中进行测试：

julia> using BenchmarkTools, Random

julia> const b = rand(50);

julia> const A = rand(50,50);

julia> @btime A \ b;
  424.899 μs (4 allocations: 20.61 KiB)

现在，多线程：

julia> using LinearAlgebra

julia> BLAS.set_num_threads(4)

julia> @btime A \ b;
  175.701 μs (4 allocations: 20.61 KiB)

你可以看到，在我的机器上，加速比超过2倍

另一个加速选项是将Julia切换到MKL

julia> pkg"add https://github.com/JuliaComputing/MKL.jl"
julia> pkg "build MKL"
# restart Julia

---

我没有使用过

MKL.jl

，因此如果您尝试一下，请写下它的基准测试方法。

以下是我找到的当前最佳解决方案，它为我提供了最佳性能。 外部Julia在Windows中的终端中键入

设置Julia\u NUM\u THREADS=4

。启动Julia并按以下方式使用线性代数模块：

使用线性代数

BLAS.set\u num\u线程（1）

这样将有4个线程，通过将BLAS线程设置为1，它基本上不会使用自己的池，这似乎与Julia线程池冲突，或者至少对我来说会降低性能。 在这方面，我得到了一些提示： 我目前在Julia 1.5.1中的BLAS设置是

julia>BLAS.vendor（）

：openblas64

---

将Pardiso.jl与默认的MKL稀疏解算器一起使用没有帮助。我还需要弄清楚是否有办法提高性能，以及如何提高性能。

没有明确的答案，但如果只是做简单的矩阵代数，就意味着你很可能只是对调用的基础BLAS进行基准测试-我认为MATLAB使用MKL和Julia OpenBLAS，这在很多问题上可能会比较慢。您可以试试MKL.jl，看看这是否是造成差异的原因。另一方面，函数上的类型注释对于Julia中的性能并不重要，它们是用于方法分派的。一旦调用函数，将自动为任何具体类型生成优化的机器代码。julia>使用BenchmarkTools，Random julia>b=rand（50）；julia>A=rand（50,50）；朱莉娅>@b时间A\b；341.100μs（4次分配：20.61 KiB）julia>使用线性代数julia>BLAS.set_num_线程（1）julia>@btime A\b；16.301μs（4次分配：20.61 KiB）

julia>BLAS.set\u num\u线程（2）julia>@btime A\b；47.300μs（4次分配：20.61 KiB）julia>BLAS.set_num_线程（3）julia>@btime A\b；77.899μs（4个分配：20.61 KiB）julia>BLAS.set_num_线程（4）julia>@b时间A\b；140.001μs（4次分配：20.61 KiB）

对我来说，它在测试中给出了相反的趋势：增加线程数会增加计算时间。。。顺便说一句，在我的问题中，矩阵A是稀疏的。我在第一篇文章中提到的参考问题中也尝试过，通过在JULIA外部添加“set JULIA_NUM_THREADS=4”，在JULIA内部添加“using LinearAlgebra；BLAS.set_NUM_THREADS（1）”，我可以将原始代码的计算时间减少3秒。你知道发生了什么事吗！？：-）这就是为什么您应该始终提供MWE。如果你的矩阵是稀疏的，你需要使用

Pardiso.jl

-用法很简单。谢谢@Przemyslaw。我尝试了Pardiso，并创建了一个

ps=MKLPardisoSolver（）

对象。但是，即使进程的数量随着

set\u nprocs！而改变，性能仍然很慢！（ps，2）

。我获得的最佳性能是在JULIA外部使用

set JULIA\u NUM\u THREADS=1

，在脚本

中使用linearagebra BLAS.set\u NUM\u THREADS（1）

。对于300x100网格的有限元，时间差约为3秒，这或多或少会导致60000x60000稀疏矩阵。还在想为什么。。。