c++ - 并行减少(例如求和)hpx::futures 的 vector

Question

我们目前正在尝试为数值模拟实现红黑高斯-赛德尔求解器。

为此，我们将模拟区域划分为大小相等的子网格。我们能够在具有正确依赖关系和 hpx::dataflow 的每个子网格上异步执行压力方程的红黑循环。目的。

但现在我们有以下问题:在每第 n 个循环之后，我们必须执行残差计算以确定我们是否已经收敛。

因此最佳解决方案是，我们单独/异步地开始每个局部残差计算，然后对 hpx::future<double> 的 vector 求和.借助 HPX future 的理念，可以得出最佳解决方案，即我们尽快总结所有要素。

但到目前为止，我们只能提出以下代码:

#include <hpx/hpx_main.hpp>
#include <hpx/hpx.hpp>
#include <memory>
#include <iostream>

class A {
public:
  double residual() {
    // Calculate actual local residual
    return 1.0;
  }
};

int main() {
  // Create instances
  std::vector<A> vec(3);
  std::vector<hpx::shared_future<double>> res(vec.size());

  // asynchronous launch resdiual calculation
  for (size_t i = 0; i < res.size(); ++i) {
    res[i] = hpx::async( &A::residual, &vec[i] );
  }

  double residual = 0.0;
  for (size_t i = 0; i < res.size(); ++i) {
    residual += res[i].get();
  }

  std::cout << "residual: " << residual << std::endl;

  return 0;
}

这远非最佳。在最坏的情况下，它的表现就像一个全局屏障，然后是对所有元素的纯顺序求和。

所以我们的问题是我们如何才能像并行一样实现这个“HPX”？

2019 年 2 月 2 日更新:

我们已经重写了代码，因此我们无法完全异步地开始残差计算，而是通过 hpx::dataflow 基于数据依赖性目的。

  // asynchronous launch resdiual calculation
  for (size_t i = 0; i < res.size(); ++i) {
    res[i] = hpx::dataflow( hpx::util::unwrapping(&A::residual), &vec[i], *DEPENDENCIES* );
  }

是否也可以使用数据流对象调用@Mike van Dyke 代码，或者是否有其他解决方案？

(提示:由于 template argument deduction/substitution failed 错误，我没有让您的代码正常工作)

Answer 1

您可以使用transform_reduce 模式来实现您想要实现的目标:

std::vector<A> vec(300);
double res = hpx::parallel::transform_reduce(hpx::parallel::execution::par,        
                     vec.begin(), vec.end(),                      \\ (1)                         
                     0, [](double a, double b){ return a + b; },  \\ (2)
                     [](const A& a_ref){ return a_ref.residual(); });   \\ (3)

此代码将计算 vec (1) 中每个 A 的残差 (3)，然后对所有结果求和 (2)。