Документация

Параллелизм задач

Параллелизм задач достигается путем разделения приложения на несколько задач. Параллелизм задач включает в себя распределение задач внутри приложения по нескольким узлам обработки. Некоторые задачи могут зависеть от других, поэтому все задачи выполняются не одновременно.

Рассмотрим систему, которая включает четыре функции. Функции F2a () и F2b () параллельны, то есть могут выполняться одновременно. При параллелизме задач можно разделить вычисления на две задачи. Функция F2b () запускается на отдельном узле обработки после того, как она получает данные, Out1 из задачи 1, и выводит обратно в F3 () в задаче 1.

На рисунке показана временная диаграмма для этого параллелизма. Задача 2 не запускается, пока не получит данные, Out1 из задачи 1. Следовательно, эти задачи не выполняются полностью параллельно. Время, затраченное на цикл процессора, известное как время цикла, равно

t = tF1 + max (tF2a, tF2b) + tF3.

Выполнение модели трубопровода (конвейерная обработка)

Программа использует выполнение конвейера модели, или конвейерную обработку, для решения проблемы параллелизма задач, когда потоки не работают полностью параллельно. Этот подход включает в себя модификацию системы для введения задержек между задачами, когда существует зависимость от данных.

На этом рисунке система разделена на три задачи для выполнения на трех различных узлах обработки с задержками между функциями. На каждом временном шаге каждая задача принимает значение из предыдущего временного шага посредством задержки.

Каждая задача может начать обработку одновременно, как показано на этой временной диаграмме. Эти задачи действительно параллельны и больше не зависят друг от друга в одном цикле процессора. Время цикла не имеет добавлений, но является максимальным временем обработки всех задач.

t = max (Task1, Task2, Task3) = max (tF1, tF2a, tF2b, tF3).

Конвейерная обработка может использоваться при искусственном введении задержек в одновременно выполняемую систему. Полученные в результате введения накладные расходы не должны превышать времени, сэкономленного за счет конвейерной обработки.

Разворачивание

Когда анализ затрат идентифицирует один блок в системе, которая является доминирующей в вычислительном отношении, система использует технологию развертывания. Развертка - это метод повышения пропускной способности за счет распараллеливания. Программное обеспечение дублирует функциональные возможности вычислительно интенсивного блока, делит входные данные на несколько частей, и процессор выполняет одну и ту же операцию над каждой частью данных.

Развертка используется в сценариях, где можно обрабатывать каждый фрагмент входных данных независимо, не влияя на выход, а блок не имеет состояния или содержит конечное число состояний.

Настройка модели для создания многоядерного кода

Для создания кода требуется лицензия Simulink Coder™ или Embedded Coder ®. Поддерживаются одноядерные и многоядерные целевые процессоры.

Код, генерируемый для одноядерных целей, генерирует код невиртуальной подсистемы.

Создать многоядерный код

Для создания многоядерного кода программное обеспечение выполняет анализ затрат и разбивает домен потока данных на основе указанного целевого объекта. Разбиение домена потока данных может соответствовать разбиению во время моделирования.

Созданный код C содержит один код void(void) для каждой задачи или потока, созданного подсистемой потока данных. Каждая из этих функций состоит из:

Для создания кода поддерживаются следующие многоядерные целевые устройства.

Код, созданный для grt.tlc и ert.tlc цели рабочего стола многопоточны с использованием OpenMP в подсистеме потока данных. Код, созданный для целей встроенного кодера, многопоточен с использованием потоков POSIX.

Если система содержит блоки, не поддерживающие многопоточное выполнение, созданный код является однопоточным.

static void ex_staple_counting_ThreadFcn0(void)
 	{
 	  ...

	  if (pipeStage_Concurrent0 >= 2) {
	    /* Delay: '<S3>/TmpDelayBufferAtDraw Markers1Inport1' */
	    memcpy(&ex_staple_counting_B.TmpDelayBufferAtDrawMarkers1I_i[0],
	           &ex_staple_counting_DW.TmpDelayBufferAtDrawMarkers1I_i[0], 202176U *
	           sizeof(real32_T));
	
	    /* Delay: '<S3>/TmpDelayBufferAtDraw Markers1Inport2' */
	    line_idx_1 = (int32_T)ex_staple_counting_DW.CircBufIdx * 100;
	    memcpy(&ex_staple_counting_B.TmpDelayBufferAtDrawMarkers1Inp[0],
	           &ex_staple_counting_DW.TmpDelayBufferAtDrawMarkers1Inp[line_idx_1],
	           100U * sizeof(real_T));
...
        }

void ex_staple_counting_Concurrent0(void)
	{
...
	
	#pragma omp parallel num_threads(3)
	
	  {
	#pragma omp sections
	
	    {
	
	#pragma omp section
	
	      {
	        ex_staple_counting_ThreadFcn0();
	      }
	
	#pragma omp section
	
	      {
	        ex_staple_counting_ThreadFcn1();
	      }
	
	#pragma omp section
	
	      {
	        ex_staple_counting_ThreadFcn2();
	      }
	    }
	  }