我有一个嵌套循环，几乎没有外部迭代，而有许多内部迭代。在内部循环中，我需要计算总和，因此我想使用OpenMP简化。外循环在容器上，因此减少应该发生在该容器的某个元素上。这是一个最小的人为例子：
#include <omp.h>
#include <vector>
#include <iostream>
int main(){
constexpr int n { 128 };
std::vector<int> vec (4, 0);
for (unsigned int i {0}; i<vec.size(); ++i){
/* this does not work */
//#pragma omp parallel for reduction (+:vec[i])
//for (int j=0; j<n; ++j)
// vec[i] +=j;
/* this works */
int* val { &vec[0] };
#pragma omp parallel for reduction (+:val[i])
for (int j=0; j<n; ++j)
val[i] +=j;
/* this is allowed, but looks very wrong. Produces wrong results
* for std::vector, but on an Eigen type, it worked. */
#pragma omp parallel for reduction (+:val[i])
for (int j=0; j<n; ++j)
vec[i] +=j;
}
for (unsigned int i=0; i<vec.size(); ++i) std::cout << vec[i] << " ";
std::cout << "\n";
return 0;
}
问题是，如果将reduce子句写为(+:vec[i])，则会得到错误‘vec’ does not have pointer or array type，该错误的描述性足以找到一种解决方法。但是，这意味着我必须引入一个新变量并稍稍更改代码逻辑，而发现代码应该执行的工作却不太明显。
我的主要问题是，是否有更好/更清洁/更标准的方式来减少容器元素的数量。
我也想知道上面代码[[somewhat中显示的第三种方式为何以及如何工作。我实际上正在使用Eigen库，该库的变体似乎可以正常工作（虽然尚未对其进行广泛测试），但是在std::vector上，它产生的结果介于零和实际结果之间（8128） ）。我认为应该可以，因为vec[i]和val[i] 应该都评估为取消引用相同的地址。但是a，显然不是。
int val = vec[i];
#pragma omp parallel for reduction (+:val)
for (int j=0; j<n; ++j)
val +=j;
vec[i] = val;
[使用第三循环，我怀疑问题是因为reduction子句命名了一个变量，但是您从未在循环中使用该名称来更新该变量，所以编译器认为没有什么减少。使用Eigen可能会使代码的分析更加复杂，从而导致循环工作。
1。在上面的示例中，使用 ii）声明一个新的共享变量，如@ 1201ProgramAlarm已回答。std::vec来执行OpenMP缩减的最佳方法是什么？i）使用您的方法，即创建一个指针int* val { &vec[0] };
iii）声明一个user defined reduction（在您的简单情况下实际上并不适用，但是请参阅下面的3.了解更有效的模式）。
2。第三个循环为什么不起作用，为什么它与Eigen一起起作用？
像前面的回答状态，您告诉OpenMP对内存地址X执行缩减总和，但是您对内存地址Y执行加法，这意味着缩减声明将被忽略，并且您的加法受到通常的线程竞争的影响条件。您并未真正提供有关Eigen合资企业的详细信息，但以下是一些可能的解释：
i）您并没有真正使用多个线程（检查n = Eigen::nbThreads( )）
ii）您没有禁用Eigen自己的并行性，而并行性会破坏您自己对OpenMP的使用，例如EIGEN_DONT_PARALLELIZE编译器指令。
iii）竞争条件在那里，但是您没有看到它，因为Eigen操作花费的时间更长，您使用的线程数较少，并且仅写入了少量的值=>相互干扰的线程的发生率较低产生错误的结果。
3。我应该如何使用OpenMP并行处理这种情况（技术上不是您明确询问的问题）？
而不是只并行化内部循环，您应该同时并行化两者。序列号越少越好。在这种情况下，每个线程都有其自己的vec向量的私有副本，在所有元素由各自的线程求和之后，该副本将减少。该解决方案最适合您所演示的示例，但是如果您使用的向量很大，线程很多（或RAM十分有限），则可能会遇到RAM问题。#pragma omp parallel for collapse(2) reduction(vsum : vec)
for (unsigned int i {0}; i<vec.size(); ++i){
for (int j = 0; j < n; ++j) {
vec[i] += j;
}
}
其中vsum是用户定义的减少量，即
#pragma omp declare reduction(vsum : std::vector<int> : std::transform(omp_out.begin(), omp_out.end(), omp_in.begin(), omp_out.begin(), std::plus<int>())) initializer(omp_priv = decltype(omp_orig)(omp_orig.size()))在使用它的函数之前声明归约，你会很高兴的去做