Документация

Параллелизм задачи

Параллелизм задачи достигает параллелизма путем разделения приложения на несколько задач. Параллелизм задачи включает распределительные задачи в рамках приложения через несколько процессорных узлов. Некоторые задачи могут иметь зависимость по данным от других, таким образом, все задачи не запускаются в точно то же время.

Рассмотрите систему, которая включает четыре функции. Функции, которые F2a () и F2b () параллельно, то есть, они могут запуститься одновременно. В параллелизме задачи можно разделить расчет на две задачи. Функциональный F2b () работает на отдельном процессорном узле после того, как это получает данные Out1 от Задачи 1, и это выводит назад к F3 () в Задаче 1.

Рисунок показывает схему синхронизации для этого параллелизма. Задача 2 не запускается, пока это не получает данные Out1 от Задачи 1. Следовательно, эти задачи не запускаются полностью параллельно. Время, потраченное на цикл процессора, известный как время цикла,

t = tF1 + макс. (tF2a, tF2b) + tF3.

Выполнение трубопровода модели (конвейеризация)

Программное обеспечение использует выполнение трубопровода модели или конвейеризацию, чтобы работать вокруг проблемы параллелизма задачи, куда потоки не запускаются полностью параллельно. Этот подход включает изменение системы, чтобы ввести задержки между задачами, где существует зависимость по данным.

В этом рисунке система разделена на три задачи работать на трех различных процессорных узлах с задержками, введенными между функциями. На каждом временном шаге каждая задача берет в значении от предыдущего временного шага посредством задержки.

Каждая задача может начать обрабатывать одновременно, когда эта схема синхронизации показывает. Эти задачи действительно параллельны, и они последовательно больше не зависят друг от друга в одном цикле процессора. 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 одновременно выполняющейся системы. Получившиеся издержки из-за этого введения не должны превышать время, сохраненное путем конвейеризации.

Разворачивание

Когда анализ затрат идентифицирует один блок в системе, которая является в вычислительном отношении доминирующей, системное использование, разворачивающее технологию. Разворачивание является методом, чтобы улучшить пропускную способность посредством распараллеливания. Программное обеспечение копирует функциональность в вычислительном отношении интенсивного блока, делит входные данные на несколько частей, и процессор выполняет ту же операцию на каждой части данных.

Разворачивание используется в сценариях, где возможно обработать каждую часть входных данных независимо, не влияя на выход, и блок является не сохраняющим состояние или содержит конечное число состояний.

Сконфигурируйте свою модель для многожильной генерации кода

Генерация кода требует Simulink Coder™ или Embedded Coder^® лицензия. Поддерживаются одножильные и многожильные цели.

Код, сгенерированный для одножильных целей, генерирует невиртуальный код подсистемы.

Сгенерируйте многожильный код

Чтобы сгенерировать многожильный код, программное обеспечение выполняет анализ затрат и делит область потока данных на основе вашей заданной цели. Разделение области потока данных может или не может совпадать с разделением в процессе моделирования.

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

Следующие многожильные цели поддерживаются для генерации кода.

Код сгенерирован для grt.tlc и ert.tlc настольные цели являются многопоточным OpenMP использования в подсистеме потока данных. Код, сгенерированный для целей Embedded Coder, является многопоточными потоками POSIX использования.

Для многожильных пользовательских целей используйте DataflowThreadingImplementation параметр, чтобы выбрать потоки POSIX (Pthreads) или реализацию поточной обработки OpenMP для многожильных пользовательских целей с помощью области потока данных. Параметр принимает значения off, OpenMP, или Pthreads. По умолчанию параметр устанавливается на Off что означает, что поток данных генерирует одноядерный код (не несколько потоков).

set_param(myModel, 'DataflowThreadingImplementation','off') 

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();
	      }
	    }
	  }