目录[1]
设计并行编程
任务分解：将程序分解为任务，在不同处理器上执行以实现并行化。（可以使用以下两种方法）
- 领域分解：将
问题数据分解 （当处理的数据量很大时，分开处理）- 功能性分解：将
问题分解为任务 （把大的任务分解为多个小任务处理）
任务分配：将任务分配到各个处理器上 （目的是负载均衡）
聚集：将小任务与大任务合并到一起从而改进性能的过程
如果任务数量远远超过可用的处理器数量，由于线程切换等其它因素会导致效率降低
如果计算机有针对大量小任务而进行特别的设计，如采用GPU计算，那将能从大量小任务的运行中获益
映射：指定哪个任务将要执行 （目标是将总执行时间降到最低）(可以使用以下2中策略，这2个策略间由于是冲突的，需要做出权衡)
- 通信频繁的任务放在同一个处理器中来增加
局部性- 可以并发执行的任务放在不同的处理器中增加
并发性
注意! 映射问题，即NP完备[2]。对于相同大小的任务，很容易直接映射
如果是每个任务的工作量千差万别，就需要采用负载均衡算法在运行期间确定聚集与映射的策略。
如果在程序执行期间通信量或任务量发生变化的情况，可以使用动态的负载均衡算法
（不同的问题存在多种负载均衡算法，有全局或局部的。全局算法需要全局的掌握，会增加大量成本。局部算法只依赖于特定任务本身的信息，不过难以找到最优）
（存在 管理者/执行者（管理者调度）、层次化的管理者/执行者（分组，每组都有个管理者调度）、去中心化的模型（每个处理器会维护自己的任务池））
进程与线程比较[3]
性能比较
多线程比多进程成本低，但性能更低
优缺点对比
多进程优点
- 每个进程相互独立，子进程异常不影响父进程
- 通过增加CPU，就可容易扩充性能
- 没有锁的影响
- 每个子进程都有独立的地址空间和资源
多进程缺点
- 逻辑控制复杂，需要和主进程交互
- 需要跨进程边界，如有大量数据需要传输不太好，适合少量数据传输、密集运算
多线程优点
- 逻辑控制简单
- 无需跨进程边界
- 可直接共享资源
- 资源消耗比进程少
多线程缺点
- 其中的某个线程崩溃可能会影响整个程序
- 线程之间的同步和锁的控制比较麻烦
- 每个线程与主线程共用地址空间
注意! 无论进程，还是线程多了以后，他们的调度也会消耗较多的CPU资源
python并行编程的问题
一般来说，一个进程可以包含多个并行线程。不过，Python解释器并非完全是线程安全的。为了支持多线程的Python程序，会使用名为全局解释器锁GIL（Global Interpreter Lock）的全局锁。这意味着在同一时刻只有一个线程会执行Python代码。（如果多个线程尝试访问同一个对象数据，那么它可能处于不一致的状态）
故此，python中的并行编程想要发挥多核的优势推荐使用多进程代替多线程
为什么不去除GIL? 更多细节：Python 最难的问题
python中进程与线程的效率
由于python自身存在GIL的问题，同一时刻只能运行一个线程，在一些实验对比中，我们会发现python中进程与线程之间的差异，在这里直接给出结论
对比操作：CPU密集型、IO密集型、网络请求密集型
多线程
- CPU密集型操作，性能更差
- IO密集型操作，性能更差
- 网络请求密集型操作，优势明显
多进程
- CPU密集型操作，优势明显
- IO密集型操作，优势明显
- 网络请求密集型操作，与多线程相差无几，却更占用CPU等资源
故CPU密集型、IO密集型操作，首选多进程，网络请求密集型选择多线程
（附：如果追求效率，CPU密集型操作应首选C/C++语言
IO密集型操作，CPU消耗很少，换用C/C++也很难得到效率的提升，应采用开发效率高的语言，脚本语言是首选）
更多细节：Python中单线程、多线程和多进程的效率对比实验
-
参考书籍：《Python并行编程手册》 ↩
-
NP完全问题是世界七大数学难题之一
所有的完全多项式非确定性问题，都可以转换为一类叫做满足性问题的逻辑运算问题。既然这类问题的所有可能答案，都可以在多项式时间内计算，人们于是就猜想，是否这类问题存在一个确定性算法，可以在多项式时间内直接算出或是搜寻出正确的答案呢？这就是著名的NP=P？的猜想（百度百科）
https://zh.wikipedia.org/wiki/NP%E5%AE%8C%E5%85%A8（wiki百科） ↩ -
参考：追溯到最早的一篇2011年的页面已失效了 ↩
