我是一名生物学家，我正在尝试学习计算机语言。但是，当我尝试了解 lpthread 库时，这似乎很奇怪，因为结果低于顺序版本。
事实上，我仍在阅读 Tanenbaum 的书。但我的主要重点是学习 RNA 二级结构计算的基础知识。于是我在一本书上找到了nussinov算法的解释，并确实实现了它。但是当我尝试制作并行版本时，我相信我可能错过了重点，因为这是我第一次接触并行实现。
我的问题是:
<强>1。我应该如何实现该算法的数据并行版本？
<强>2。为什么我的实现比顺序的稍微慢一些？
代码可在: https://gist.github.com/drenge/6395472 上找到。 (每个文件是不同版本的并行/顺序)
最佳答案
有两种方法可以制作算法/程序的并行版本。
你研究算法并编写串行程序。然后，您开始分析程序，看看可以在哪里获得速度增益。这些是并行性可能派上用场的地方(可能，而不是意愿)。我把这种方法称为“绝望者的工具”。此方法很有用(!)，但大多数时候，下面的方法可以提供更好的性能增益。这种优化方法只考虑了编程和用户体验。
您采用该算法并尝试找出允许并行处理问题的其他算法。算法中是否有独立的计算或步骤，算法中是否有部分可以在其他部分完全完成之前完成，......这可以称为“理论方法”。请记住，每个线程都有其开销，并且您不希望开销大于您希望获得的 yield 。
事实上，两者的结合是最好的方法(如果确实需要并行性):首先专注于方法 2(优化算法，使其保持科学上的正确性，但可以在多线程中处理)。然后查看关键线程(可以在分析时找到)并开始优化该线程。
正如 Kerrek SB 已经说过的那样:并行编程是一个非常复杂的主题，有很多可能的陷阱。在路的尽头，你应该问自己:这值得付出努力吗？毕竟:为了获得几分钟而浪费几周的学习和编程时间是不值得的。
另一方面，如果您的程序将运行数千次，由于等待时间过长或缺乏响应能力而使用户感到沮丧，那么制作一个性能更高的版本毕竟可能会很有用。但同样:通过优化顺序版本而不产生并行困惑，难道不能达到相同的目标吗？很多算法的数量级为 O(exp(x)) 或更差，并且可以减少到 O(x) 甚至 O(log(x))。
亲切的问候， PB
关于c - 努西诺夫平行，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/18543324/