性能概况

使用并行STL的首要原因，肯定是性能。

下面的代码就能反映不同执行策略的性能差异。

  1. // parallelSTLPerformance.cpp
  3. #include <algorithm>
  4. #include <cmath>
  5. #include <chrono>
  6. #include <execution>
  7. #include <iostream>
  8. #include <random>
  9. #include <string>
  10. #include <vector>
  12. constexpr long long size = 500'000'000;
  14. const double pi = std::acos(-1);
  16. template <typename Func>
  17. void getExecutionTime(const std::string& title, Func func) {
  19.   const auto sta = std::chrono::steady_clock::now();
  20.   func();
  21.   const std::chrono::duration<double> dur = std::chrono::steady_clock::now() - sta;
  23.   std::cout << title << ": " << dur.count() << " sec." << std::endl;
  25. }
  27. int main() {
  29.   std::cout << std::endl;
  31.   std::vector<double> randValues;
  32.   randValues.reserve(size);
  34.   std::mt19937 engine;
  35.   std::uniform_real_distribution<> uniformDist(0, pi / 2);
  36.   for (long long i = 0; i < size; ++i) randValues.push_back(uniformDist(engine));
  38.   std::vector<double> workVec(randValues);
  40.   getExecutionTime("std::execution::seq", [workVec]()mutable {
  41.     std::transform(std::execution::seq, workVec.begin(), workVec.end(),
  42.       workVec.begin(),
  43.       [](double arg) {return std::tan(arg); }
  44.     );
  45.     });
  47.   getExecutionTime("std::execution::par", [workVec]()mutable {
  48.     std::transform(std::execution::par, workVec.begin(), workVec.end(),
  49.       workVec.begin(),
  50.       [](double arg) {return std::tan(arg); }
  51.     );
  52.     });
  54.   getExecutionTime("std::execution::par_unseq", [workVec]()mutable {
  55.     std::transform(std::execution::par_unseq, workVec.begin(), workVec.end(),
  56.       workVec.begin(),
  57.       [](double arg) {return std::tan(arg); }
  58.     );
  59.     });
  61. }

parallelSTLPerformance.cpp统计了串行(第39行)、并行(第46行)和向量化并行(第53行)执行策略的耗时。首先，randValues由区间在[0,pi/2)的5亿个数字填充。函数模板getExecutionTime(第16 - 24行)获取标题和Lambda函数，在第20行执行Lambda函数，并显示执行耗时(第22行)。程序使用了三个Lambda函数(第39、46和53行)，它们被声明为mutable。因为Lambda函数修改它的参数workVec，而Lambda函数默认是不能对其进行修改的。如果Lambda函数想要修改，那么就必须声明为mutable。

我的windows笔记本电脑有8个逻辑核心，但并行执行速度要比串行的快10倍以上。

性能概况 - 图1

并行执行和并行向量化执行的性能大致相同。Visual C++团队的博客对此进行了解释：使用C++17并行算法更好的性能。Visual C++团队使用相同的方式实现了并行计算和并行策略，所以目前就不要期望par_unseq有更好性能(但未来就不好说了)。