优化并行性能的分析方法

从表8.4～表8.6中可以看到，在配置1中，随着电站规模的增加，DDDP方法计算耗时从10.4s增长到948s；在配置2中，DDDP方法计算耗时从15.6s增长到1565s。因此，DDDP串行方法的计算耗时随着计算规模的增加迅速增长。而且，DDDP串行方法在配置1中的计算时间少于配置2，一个主要原因是配置1（3.30GHz）的时钟频率大于配置2（2.27GHz），运算速度比配置2更快。

在计算耗时上，PDDDP方法比串行方法有非常明显的削减。在配置1中，PDDDP方法三个测试方案最优并行计算耗时比串行方法分别缩减5.2s、75.9s、698.5s；在配置2中，PDDDP方法分别缩减7.9s、114.2s、1387.0s。但是，PDDDP方法各方案出现最优并行性能的测试环境有所区别。在核数较少的配置1中，PDDDP最优并行计算耗时均出现在4核超线程开启状态下；在核数较多的配置2中，PDDDP三个方案最优并行计算耗时出现的测试环境分别为4核超线程开启、8核超线程开启和16核超线程关闭。出现上述现象的原因在于在并行环境下随着计算核数的增加，线程管理消耗及线程间通信时间急剧上升，对于计算规模较小的PDDDP，会导致计算效率明显下降，甚至造成计算时间大于串行计算（比如方案1在配置2并行环境核数大于8的测试结果）。因此，对于小规模计算任务的并行计算，当采用核数较多的机器配置运算时，需要通过一定的测试判断适用的并行核数。此外，在同一核数超线程关闭和开启状态下，并行算法的计算耗时有所差异。在配置1中，任意多核环境下超线程开启的计算耗时少于超线程关闭，“超线程”技术提高配置运算速度的优势能够充分发挥；在配置2中，当测试环境核数较多时，超线程开启会加剧线程管理消耗及通信时间，增加计算耗时。因此，超线程技术的开启或关闭，同样需要对算法进行测试。

在加速比上，PDDDP方法获得了较好的效果。在配置1中，PDDDP方法三个测试方案最大加速比分别为2.00、3.61、3.80；在配置2中，PDDDP方法三个测试方案最大加速比分别为2.03、4.67、8.79。PDDDP方法各方案最优加速比出现的测试环境与最优并行计算耗时相同。因此，随着计算任务规模的增加，并行计算的最优加速比逐步提高，且越接近理想加速比，越能更好地发挥并行计算的优势。在同一配置中相同测试环境下，计算规模更大的任务能够获得更优的加速比，而且，计算规模较小的任务在核数较多的情况下加速比难以持续增长，易达到一定的瓶颈，甚至可能会导致加速比逐步下降（比如方案1）。(www.xing528.com)

在效率上，当超线程技术启闭状态相同时，随着测试环境核数的增加，效率逐渐下降，主要原因除了管理消耗以及通信时间的影响外，PDDDP方法仅实现了算法整个求解过程的局部并行化，其他运行过程为串行计算，而且，为了避免数据同步，并行计算需在子线程中各自单独定义字段存储计算结果，造成更多的内存占用，影响并行效率。

总之，根据PDDDP方法测试结果，对于计算规模较小的任务，核数较少的配置即可获得较好的加速性能，核数较多易产生并行瓶颈，影响计算效率；对于计算规模较大的任务，核数较多可以显著提高加速性能。因此，在生产实际中，小规模计算任务的并行计算建议采购核数较少的配置，节省硬件投资；大规模计算任务的并行计算建议采购核数较多的配置，可充分发挥并行计算的优势。