Документация

Параллелизм задач

Параллелизм задачи достигает параллелизма путем разделения приложения на несколько задач. Параллелизм задачи включает распределение задач внутри приложения между несколькими узлами обработки. Одни задачи могут иметь зависимость данных от других, поэтому все задачи не выполняются точно в одно и то же время.

Рассмотрим систему, которая включает четыре функции. Функции F2a () и F2b () параллельны, то есть могут запускаться одновременно. В параллелизме задачи можно разделить расчет на две задачи. Функция F2b () запускается на отдельном узле обработки после того, как она получает Out1 данных из Задачи 1 и выводит назад в F3 () в Задаче 1.

Рисунок показывает временную схему для этого параллелизма. Задача 2 не запускается, пока она не получит Out1 данных из Задачи 1. Следовательно, эти задачи не выполняются полностью параллельно. Время, затрачиваемое на цикл процессора, известное как время цикла, является

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

Моделирование выполнения трубопровода (конвейеризация)

Программа использует выполнение трубопровода модели, или конвейеризацию, чтобы обойти задачу параллелизма задачи, где потоки не выполняются полностью параллельно. Этот подход включает изменение системы, чтобы ввести задержки между задачами, где существует зависимость данных.

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

Каждая задача может начать обработку одновременно, как показывает эта временная схема. Эти задачи действительно параллельны, и они больше не зависят друг от друга последовательно в одном процессорном цикле. Время цикла не имеет никаких сложений, но является максимальным временем вычислений всех задач.

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

Конвейеризация может использоваться, когда можно ввести задержки искусственно в одновременно выполняемой системе. Результирующие накладные расходы из-за этого введения не должны превышать времени, сэкономленного при конвейеризации.

Разворачивание

Когда анализ затрат идентифицирует один блок в системе, которая является в вычислительном отношении доминирующей, система использует развертывающуюся технологию. Развертывание является методом, чтобы улучшить пропускную способность посредством параллелизации. Программное обеспечение дублирует функциональность интенсивного в вычислительном отношении блока, разделяет входные данные на несколько частей, и процессор выполняет ту же операцию над каждой частью данных.

Развертывание используется в сценариях, где можно обрабатывать каждую часть входных данных независимо, не влияя на выход, и блок не имеет статуса или содержит конечное число состояний.

Сконфигурируйте модель для генерации многоядерного кода

Для генерации кода требуется Simulink Coder™ или Embedded Coder^® лицензия. Поддерживаются одноядерные и многоядерные целевые системы.

Код, сгенерированный для одноядерных целей, генерирует невиртуальный подсистемный код.

Сгенерируйте многоядерный код

Чтобы сгенерировать многоядерный код, программное обеспечение выполняет анализ затрат и разделяет область dataflow на основе вашего заданного целевого объекта. Разбиение области dataflow может или не может совпадать с разбиением во время симуляции.

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

Для генерации кода поддерживаются следующие многоядерные целевые системы.

Код, сгенерированный для grt.tlc и ert.tlc целевые устройства рабочего стола многопоточны с использованием OpenMP в подсистеме dataflow. Код, сгенерированный для целей Embedded Coder, многопоточен с помощью потоков POSIX.

Если ваша система содержит блоки, которые не поддерживают многопоточное выполнение, сгенерированный 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();
	      }
	    }
	  }