前言：
首先有一点要注意：
修改代码时，要注意命名空间的冲突问题（主要是头文件中）
作者了解了相关这个项目的一些背景介绍；得到的主要信息是：这种大型程序一般都是优化的比较完善了，即使有优化空间，也很小了（不知道我们从github拉下来的是不是这样）
自上次发完 OpenCAEPoro优化（1）之后，作者使用vtune找出了程序热点图（发现并没有分析出什么有效信息），并整理了一下思路，打算对代码部分做出如下改动：
作者在此提供一个新思路（仅供参考哈）：根据文件名称，推测出相应的.cpp文件的作用，并结合vtune分析其是不是执行主要功能的函数
一.更错
由于之前没有设置多机之间的免密通信，导致程序并没有真正在多机上跑
1.在gpu01上生成ssh密钥
运行下述命令
ssh-keygen -t rsa
2.将公钥复制到其他机器
在gpu01上输入如下命令并回车
ssh-copy-id gaohaixiao@gpu02
gpu03 gpu04 同理
3.测试免密登录
ssh gaohaixiao@gpu02
gpu03 gpu04 同理
4.使用SSH并行执行任务
可以通过循环来实现：
for i in {1..4}; do
ssh gaohaixiao@gpu0$i 'mpirun -np 50 -machinefile ~/OpenCAEPoro_ASC2024/hostfile ./testOpenCAEPoro ./data/case1/case1.data verbose=1' &
done
二：对内存分配进行优化
这里以AllWells.cpp为例子
void AllWells::InputParam(const ParamWell& paramWell, const Domain& domain)
{
OCP_FUNCNAME;
// 预分配内存以提高性能
solvents.reserve(paramWell.solSet.size());
solvents.insert(solvents.end(), paramWell.solSet.begin(), paramWell.solSet.end());
Psurf = paramWell.Psurf;
Tsurf = paramWell.Tsurf;
const auto& my_well = domain.GetWell();
numWell = my_well.size();
// 使用指针减少内存分配开销
wells.reserve(numWell);
for (USI w = 0; w < numWell; w++) {
wells.push_back(paramWell.thermal ? new PeacemanWellT() : new PeacemanWellIsoT());
}
USI t = paramWell.criticalTime.size();
vector<USI> wellOptTime;
vector<WellOptPair> tmpOptParam;
for (USI wdst = 0; wdst < numWell; wdst++) {
const OCP_USI wsrc = my_well[wdst];
const auto& wellSrc = paramWell.well[wsrc];
// 使用引用避免多次访问
auto* currentWell = wells[wdst];
currentWell->name = wellSrc.name;
currentWell->group = wellSrc.group;
currentWell->depth = wellSrc.depth;
currentWell->InputPerfo(wellSrc, domain, wsrc);
currentWell->Psurf = Psurf;
currentWell->Tsurf = Tsurf;
currentWell->ifUseUnweight = wellSrc.ifUseUnweight;
currentWell->optSet.resize(t);
// 验证选项参数的数量
const USI n0 = wellSrc.optParam.size();
if (n0 == 0) {
OCP_ABORT("NO Well Opt Param for -- " + wellSrc.name);
}
// 过滤重复的optParam.d
tmpOptParam.clear();
tmpOptParam.reserve(n0);
for (USI i = 0; i < n0; i++) {
if (i == 0 || wellSrc.optParam[i].d != wellSrc.optParam[i - 1].d) {
tmpOptParam.push_back(wellSrc.optParam[i]);
}
}
const USI n = tmpOptParam.size();
wellOptTime.clear();
wellOptTime.resize(n + 1);
for (USI i = 0; i < n; i++) {
wellOptTime[i] = tmpOptParam[i].d;
}
wellOptTime.back() = t;
// 填充optSet
for (USI i = 0; i < n; i++) {
for (USI d = wellOptTime[i]; d < wellOptTime[i + 1]; d++) {
currentWell->optSet[d] = WellOpt(tmpOptParam[i].opt);
}
}
}
}
核心步骤：
减少内存分配次数：对于solvents的填充，使用insert方法而不是循环，这样可以减少多次调用push_back的开销
三.对循环进行优化
使用OpenMP
OpenMP 是一个用于支持多平台共享内存并行编程的 API，非常适合循环并行化
具体做法是在循环前加上下面这段代码，实现循环并行化
// 使用 OpenMP 并行化循环
#pragma omp parallel for reduction(+:total)
四.优化结果
根据优化（1）中的经验，作者采用四机并行，52进程
结果如下：
可以看出，多机并行，优化循环，对内存分配进行优化是有效果的
