假设我有一个名为run()的函数的程序，这个函数会执行for loop并在其中做一些工作。
由于我想利用我的所有CPU核心，因此我使用OpenMP与#pragma omp parallel for进行并行化。
现在，问题是这个run()函数是从几个线程调用的，当有大量线程同时调用run()时，我有一个巨大的性能损失，因为那里每个OpenMP threads pragma调用都会有很多parallel for。
只是为了ilustrate，我有线程A和线程B，我的CPU有4个内核，线程A调用函数run()，它将创建4 OpenMP线程运行for loop。
现在，同时，线程B也调用run()，这将生成更多4 OpenMP个线程，从而产生总共8个OpenMP个线程。 / p>
我的问题是，如果有某种方法可以与OpenMP进行平衡，在上面的示例中，OpenMP可以使用A的半个线程和B的一半。
另一个策略是OpenMP创建一个线程队列，因此它永远不会使用超过4个OpenMP个线程。
这样的事情可能吗？
PS。请注意，我的示例中的2个线程只是为了说明它，在我的程序中不清楚将调用多少线程run()，因为线程数是在运行时根据需要创建的。
PS 2.请注意，每当我谈论OpenMP创建的线程时，我都称它为OpenMP线程，当我谈论通过其他方式创建的线程时（例如std::thread我简单地称它为线程。
答案 0 :(得分：0)
如果仅使用OpenMP进行并行操作，并且启用了nested parallelism，则可以使用num_threads的{{1}}参数指定使用一半的线程：
pragma omp parallel即使您使用混合线程技术（这似乎是您的情况），您仍然可以通过使用不同的方法设置int const currentNumThreads = omp_get_num_threads();
int const maxNumThreads = omp_get_max_num_threads();
#pragma omp parallel for num_threads(maxNumThreads/currentNumThreads)
for ( ... ) {
...
}
和currentNumThreads来实现相同的目标。
但要谨慎。对于OpenMP，使用嵌套并行性通常是不可取的，因为它使代码非常fragile and rigid。对maxNumThreads函数的任何更改都需要知道调用它的位置，并且将来对run()的任何调用都需要了解其中的内容。在性能和维护方面，尝试遵循data parallel方法进行OpenMP使用是最好的。也就是说，在每个线程中执行一组类似的操作，但是在不同的数据块上执行。
例外情况是，如果您正在使用可以生成的OpenMP任务，并让调度程序处理它。在并行for循环中使用任务并行性将导致性能不佳，因为缺少data locality并且如果任务很小则开销很高。