C多线程编程- 近似求解π

本程序使用蒙特卡洛方法估算圆周率（π）。它首先创建了指定数量的线程，每个线程生成一个随机点并检查该点是否在单位圆内。基于这些线程的结果，程序计算在单位圆内的点的比例，并乘以4来估算π的值。为了对比，程序还直接在主线程中（没有并发）进行了相同的π估算过程（由于每次都是生成随机数，所以这个基准也没啥意义hh~）。最后，程序打印出两种方法得到的π值。

#include <pthread.h>
#include <stdio.h>
#include <stdlib.h>struct arg_t {float x;float y;
};void *start(void *arg) {struct arg_t *ll = (struct arg_t *)arg;float x1 = ll->x;float y1 = ll->y;long M = 0;if (x1*x1 + y1*y1 <= 1.0) {M ++;}pthread_exit((void *)M);
}int main(int argc, char **argv) {if (argc < 2) {fprintf(stderr, "Please provide a number as an argument.\n");exit(1);}long N1 = atol(argv[1]);// printf("%ld\n", N1);pthread_t tids[N1];// pai(concurrency)for (long i = 0; i < N1; ++ i) {struct arg_t *arg = malloc(sizeof(struct arg_t));int x = rand();int y = rand();arg->x = 1.0*x / RAND_MAX;arg->y = 1.0*y / RAND_MAX;pthread_create(&tids[i], 0, start, arg);}void *res = 0;long M = 0;for (long i = 0; i < N1; ++ i) {pthread_join(tids[i], &res);M += (long)res;}printf("pai = %f\n", 4.0*M/N1);  // concurrency// pai(oracle)M = 0;for (long i = 0; i < N1; ++ i) {int x = rand();int y = rand();float x1 = 1.0*x / RAND_MAX;float y1 = 1.0*y / RAND_MAX;if (x1*x1 + y1*y1 <= 1.0) {M ++;}}printf("pai = %f\n", 4.0*M/N1);  // oraclepthread_exit(0);
}

测试一下上述程序：

majn@tiger:~$ ./pai 10000
pai = 3.171200
pai = 3.142000
majn@tiger:~$ ./pai 100000
Segmentation fault (core dumped)

分析Segmentation fault的原因：

在上面的程序中，为每个线程都动态分配了 arg_t 结构的内存，但在线程执行完毕后，这些内存并没有被释放。虽然这不是立即的问题，但长期这样会导致内存泄露。应该在线程函数中或 pthread_join 之后释放这些内存。

改进方案：

一种方法是在线程函数 start 的结尾释放它（插个眼hh~）。但由于在主函数中可能还需要访问这些结构，更安全的方法是在 pthread_join 之后释放这些动态分配的内存。

修改上述代码：

#include <pthread.h>
#include <stdio.h>
#include <stdlib.h>struct arg_t {float x;float y;
};void *start(void *arg) {struct arg_t *ll = (struct arg_t *)arg;float x1 = ll->x;float y1 = ll->y;long M = 0;if (x1*x1 + y1*y1 <= 1.0) {M ++;}pthread_exit((void *)M);
}int main(int argc, char **argv) {if (argc < 2) {fprintf(stderr, "Please provide a number as an argument.\n");exit(1);}long N1 = atol(argv[1]);struct arg_t *args[N1];// printf("%ld\n", N1);pthread_t tids[N1];// pai(concurrency)for (long i = 0; i < N1; ++ i) {args[i] = malloc(sizeof(*args[i]));// struct arg_t *arg = malloc(sizeof(*arg));int x = rand();int y = rand();args[i]->x = 1.0*x / RAND_MAX;args[i]->y = 1.0*y / RAND_MAX;pthread_create(&tids[i], 0, start, args[i]);}void *res = 0;long M = 0;for (long i = 0; i < N1; ++ i) {pthread_join(tids[i], &res);M += (long)res;free(args[i]);}printf("pai = %f\n", 4.0*M/N1);  // concurrency// pai(oracle)M = 0;for (long i = 0; i < N1; ++ i) {int x = rand();int y = rand();float x1 = 1.0*x / RAND_MAX;float y1 = 1.0*y / RAND_MAX;if (x1*x1 + y1*y1 <= 1.0) {M ++;}}printf("pai = %f\n", 4.0*M/N1);  // oraclepthread_exit(0);
}

这样，每次线程执行完毕并被主线程收回后，对应的动态分配的内存都会被释放。

测试一下修改后的程序：

majn@tiger:~$ ./pai 100000
pai = 3.721760
pai = 3.137640
majn@tiger:~$ ./pai 1000000
Segmentation fault (core dumped)

好好好，这样玩儿是吧。

分析Segmentation fault的原因：

仔细观察上面的程序，我使用了一个固定大小的线程数组：pthread_t tids[N1];。对于大的 N1 值，这可能会导致栈溢出。在大多数系统上，默认的栈大小可能不足以容纳大量的 pthread_t 变量。

改进方案：

考虑动态分配线程ID数组的空间。

#include <pthread.h>
#include <stdio.h>
#include <stdlib.h>struct arg_t {float x;float y;
};void *start(void *arg) {struct arg_t *ll = (struct arg_t *)arg;float x1 = ll->x;float y1 = ll->y;long M = 0;if (x1*x1 + y1*y1 <= 1.0) {M ++;}pthread_exit((void *)M);
}int main(int argc, char **argv) {if (argc < 2) {fprintf(stderr, "Please provide a number as an argument.\n");exit(1);}long N1 = atol(argv[1]);struct arg_t *args[N1];// printf("%ld\n", N1);pthread_t *tids = malloc(N1 * sizeof(pthread_t));// pai(concurrency)for (long i = 0; i < N1; ++ i) {args[i] = malloc(sizeof(*args[i]));// struct arg_t *arg = malloc(sizeof(*arg));int x = rand();int y = rand();args[i]->x = 1.0*x / RAND_MAX;args[i]->y = 1.0*y / RAND_MAX;pthread_create(&tids[i], 0, start, args[i]);}void *res = 0;long M = 0;for (long i = 0; i < N1; ++ i) {pthread_join(tids[i], &res);M += (long)res;free(args[i]);}printf("pai = %f\n", 4.0*M/N1);  // concurrency// pai(oracle)M = 0;for (long i = 0; i < N1; ++ i) {int x = rand();int y = rand();float x1 = 1.0*x / RAND_MAX;float y1 = 1.0*y / RAND_MAX;if (x1*x1 + y1*y1 <= 1.0) {M ++;}}printf("pai = %f\n", 4.0*M/N1);  // oraclepthread_exit(0);
}

majn@tiger:~$ ./pai 1000000
pai = 3.972176
pai = 3.142136
majn@tiger:~$ ./pai 10000000
Segmentation fault (core dumped)

？？？不玩儿了！！！ 到此为止，我们把输入数据的规模N1从一开始最大接受10000扩大到现在最大接受1000000。

彩蛋： 要不然把为每个线程都动态分配的 arg_t 结构在线程函数 start 的结尾释放试一试？

#include <pthread.h>
#include <stdio.h>
#include <stdlib.h>struct arg_t {float x;float y;
};void *start(void *arg) {struct arg_t *ll = (struct arg_t *)arg;float x1 = ll->x;float y1 = ll->y;long M = 0;if (x1*x1 + y1*y1 <= 1.0) {M ++;}free(arg);pthread_exit((void *)M);
}int main(int argc, char **argv) {if (argc < 2) {fprintf(stderr, "Please provide a number as an argument.\n");exit(1);}long N1 = atol(argv[1]);// printf("%ld\n", N1);// pthread_t tids[N1];pthread_t *tids = malloc(N1 * sizeof(pthread_t));// pi(concurrency)for (long i = 0; i < N1; ++ i) {struct arg_t *arg = malloc(sizeof(struct arg_t));int x = rand();int y = rand();arg->x = 1.0*x / RAND_MAX;arg->y = 1.0*y / RAND_MAX;pthread_create(&tids[i], 0, start, arg);}void *res;long M = 0;for (long i = 0; i < N1; ++ i) {pthread_join(tids[i], &res);M += (long)res;}printf("pai = %f\n", 4.0*M/N1);  // concurrency// pi(oracle)M = 0;for (long i = 0; i < N1; ++ i) {int x = rand();int y = rand();float x1 = 1.0*x / RAND_MAX;float y1 = 1.0*y / RAND_MAX;if (x1*x1 + y1*y1 <= 1.0) {M ++;}}printf("pai = %f\n", 4.0*M/N1);  // oraclepthread_exit(0);
}

majn@tiger:~$ ./pai_init 10000000
pai = 3.997218
pai = 3.141381
majn@tiger:~$ ./pai_init 100000000
pai = 3.999722
pai = 3.141420
majn@tiger:~$ ./pai_init 1000000000
^C   // 时间太长了，不想等了

Amazing！！！怎么这么神奇？

注： 蒙特卡洛方法（Monte Carlo method）是一种通过随机抽样来获得数值解的统计方法。这个方法得名于摩纳哥的蒙特卡洛赌场，因为它大量使用随机性和概率。蒙特卡洛方法在物理学、工程学、经济学和许多其他领域都有广泛的应用。

关键概念和特点：

  1. 随机抽样：这是蒙特卡洛方法的核心。为了得到一个问题的数值解，这个方法使用随机数或更通常地说，使用伪随机数。

  2. 统计结果：通过对大量的随机样本进行统计分析，得到的是一个近似解，而不是确切的解。

  3. 精度与样本数量：通常，随着样本数量的增加，估算的精度也会提高。但是，为了使误差减少到原来的一半，样本数通常需要增加四倍。

  4. 应用：蒙特卡洛方法在多种应用中都非常有用，尤其是在问题的解析解很难得到或者不存在时。例如，它被用于估算复杂积分、求解难以解析的统计物理问题、进行金融市场模拟等。

  5. 示例 - 估算π：一个经典的应用是使用蒙特卡洛方法估算π的值。方法是这样的：随机投掷点到单位正方形内，统计落在单位圆内的点的数量。落在圆内的点数与总点数的比例，乘以4，就给出了π的近似值。

简而言之，蒙特卡洛方法是一种利用随机性来求解问题的技术，通过对大量样本的统计分析来获得结果。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/105829.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

AI低代码维格云日历视图怎么用？

AI低代码维格云日历视图怎么用？

日历视图，是一个以天为单位，清晰展示当月所有日程的视图。在团队协作的过程中，我们常常会碰到以下场景： 制作项目日历，让团队成员知道每天需要完成什么任务； 制作排课表，给老师和教室安排课程； 制作会议日历，提醒团队成员进行每周计划与回顾； 制作营销日历，把握全年…
阅读更多...
常见的请求头，怎么用?

常见的请求头，怎么用?

一、什么是请求头&#xff1f; 请求头&#xff08;Request Headers&#xff09;是在HTTP协议中用于传递关于请求的额外信息的部分。它包含了客户端&#xff08;通常是浏览器或应用程序&#xff09;与服务器之间进行通信所需的元数据。 请求头的作用有以下几个方面&#xff1a…
阅读更多...
新时代高效记账：自动化智能如何进行财务管理

新时代高效记账：自动化智能如何进行财务管理

随着科技的不断发展&#xff0c;自动化智能已经逐渐渗透到我们生活的各个领域。在财务管理中&#xff0c;自动化智能的应用显得尤为重要。它不仅可以提高财务管理的效率和精度&#xff0c;还能帮助我们更好地规划和掌控公司的财务状况 晨曦记账本提供了多种高效财务管理工具。…
阅读更多...
单元测试到底是什么？应该怎么做？

单元测试到底是什么？应该怎么做？

我是Java程序员出身&#xff0c;后来因为工作原因转到到了测试开发岗位。测试开发工作很多年后。针对标题的两个问题&#xff0c;我还有些发言权&#xff0c;特来说下&#xff1a; 1、什么是单元测试 2、该怎么做单元测试 一、什么是单元测试&#xff1f; 单元测试&#xff08…
阅读更多...
在vs code中创建一个名为 “django_env“ 的虚拟环境报错？！以下或许方法可以解决

在vs code中创建一个名为 “django_env“ 的虚拟环境报错？！以下或许方法可以解决

# vs code 终端窗口中运行&#xff1a; mkvirtualenv django_env # 拓展&#xff1a; mkvirtualenv django_env 是一个命令&#xff0c;用于创建一个名为 "django_env" 的虚拟环境。虚拟环境是一种用于隔离不同Python项目所需依赖的工具。通过创建虚拟环境&#x…
阅读更多...
zabbix监控实战2

zabbix监控实战2

4、zabbix添加监控项 nginx监控 在server上安装nginx 添加模板 浏览图形 mysql监控 zabbix自带mysql模板&#xff0c;所以可以在server1上直接做 创建数据库连接用户 percona数据库模板 清理掉mysql的模块链接 安装并配置好percona的数据库模板 测试脚本 删除tmp下的缓存文…
阅读更多...
phpcms_v9模板制作及二次开发常用代码

phpcms_v9模板制作及二次开发常用代码

0:调用最新文章&#xff0c;带所在版块 {pc:get sql"SELECT a.title, a.catid, b.catid, b.catname, a.url as turl ,b.url as curl,a.id FROM v9_news a, v9_category b WHERE a.catid b.catid ORDER BY a.id DESC " num"15" cache"300"} {lo…
阅读更多...
Docker Compose命令讲解+文件编写

Docker Compose命令讲解+文件编写

docker compose的用处是对 Docker 容器集群的快速编排。&#xff08;源码&#xff09; 一个 Dockerfile 可以定义一个单独的应用容器。但我们经常碰到需要多个容器相互配合来完成某项任务的情况&#xff08;如实现一个 Web 项目&#xff0c;需要服务器、数据库、redis等&#…
阅读更多...
老卫带你学---leetcode刷题(101. 对称二叉树)

老卫带你学---leetcode刷题(101. 对称二叉树)

101. 对称二叉树 问题&#xff1a; 给你一个二叉树的根节点 root &#xff0c; 检查它是否轴对称 输入&#xff1a;root [1,2,2,3,4,4,3] 输出&#xff1a;true输入&#xff1a;root [1,2,2,null,3,null,3] 输出&#xff1a;false提示&#xff1a;树中节点数目在范围 [1, …
阅读更多...
Linux 学习的六个过程

Linux 学习的六个过程

Linux 上手难&#xff0c;学习曲线陡峭&#xff0c;所以它的学习过程更像一个爬坡模式。这些坡看起来都很陡&#xff0c;但是一旦爬上一阶&#xff0c;就会一马平川。 1、抛弃旧的思维习惯&#xff0c;熟练使用 Linux 命令行 在 Linux 中&#xff0c;无论我们做什么事情&…
阅读更多...
网络 | 排错五大步骤，没有解决不了的网络故障准达信息准达信息

网络 | 排错五大步骤，没有解决不了的网络故障准达信息准达信息

网络故障是我们工作中最易常见的问题&#xff0c;那么如何才能进行网络排查&#xff0c;快速解决问题呢&#xff1f; 一、网络排错五大基本步骤与命令 五大基本思路如下&#xff1a; &#xff08;1&#xff09;检查物理链路是否有问题&#xff1b; &#xff08;2&#xff09;…
阅读更多...
模拟实现字符串函数（5）: strncpy

模拟实现字符串函数（5）: strncpy

1.函数介绍 拷贝num个字符从源字符串到目标空间。 如果源字符串的长度小于num&#xff0c;则拷贝完源字符串之后&#xff0c;在目标的后边追加0&#xff0c;直到num个 strncpy与strcpy的作用是一样的&#xff0c;区别在于strncpy指定了复制字符的个数。 2.思路分析 这里多了…
阅读更多...
找不到msvcp100.dll无法继续执行此代码怎么解决，快速修复dll问题的5个方法

找不到msvcp100.dll无法继续执行此代码怎么解决，快速修复dll问题的5个方法

电脑已经成为我们生活和工作中不可或缺的一部分&#xff0c;在我们使用电脑的时候&#xff0c;总会遇到一些技术问题&#xff0c;其中之一就是“找不到msvcp100.dll”。msvcp100.dll是一个动态链接库文件&#xff0c;它是Microsoft Visual C 2010 Redistributable Package的一部…
阅读更多...
APT攻击

APT攻击

1.1 APT攻击简介 1.1.1APT攻击概念 网络安全&#xff0c;尤其是Internet互联网安全正在面临前所未有的挑战&#xff0c;这主要就来自于有组织、有特定目标、持续时间极长的新型攻击和威胁&#xff0c;国际上有的称之为APT&#xff08;Advanced Persistent Threat&#xff09;攻…
阅读更多...
2023 年 Arm A-Profile 架构发展

2023 年 Arm A-Profile 架构发展

随着人工智能 (AI) 的兴起和安全威胁的加剧，计算需求不断发展，作为世界设备核心的基础计算架构也必须不断发展。这就是为什么我们的工程团队向普遍存在的 Arm 架构添加新功能和技术，然后软件团队确保软件尽可能无缝地适应这些未来的功能和技术。 Arm架构是如何开发的 Arm …
阅读更多...
【Kubeedge小白安装教程】Centos7.9+K8Sv1.22.2(kubeadm)+Kubeedgev1.10.0部署教程详解

【Kubeedge小白安装教程】Centos7.9+K8Sv1.22.2(kubeadm)+Kubeedgev1.10.0部署教程详解

1.需要有一个集群&#xff0c;最少保证是1个master和一个node [rootk8s-ke-cloud ~]# kubectl get nodes -o wide NAME STATUS ROLES AGE VERSION INTERNAL-IP EXTERNAL-IP OS-IMAGE KERNEL-VERSION CO…
阅读更多...
【总结】两个独立同分布的随机变量相加还是原来的分布吗？

【总结】两个独立同分布的随机变量相加还是原来的分布吗？

二项分布&#xff0c;泊松分布&#xff0c;正态分布&#xff0c;卡方分布&#xff0c;具有独立可加性。 图源自没咋了&#xff0c;面哥课程。
阅读更多...
【环境搭建】linux docker-compose安装gitlab和redis

【环境搭建】linux docker-compose安装gitlab和redis

gitlab需要redis&#xff0c;一起安装了 新建gitlab和redis挂载目录 mkdir -p /data/docker/redis/data mkdir -p /data/docker/redis/logs mkdir -p /data/docker/redis/confmkdir -p /data/docker/gitlab/data mkdir -p /data/docker/gitlab/logs mkdir -p /data/docker/gi…
阅读更多...
飞书应用机器人文件上传

飞书应用机器人文件上传

背景&#xff1a; 接上一篇 flask_apscheduler实现定时推送飞书消息&#xff0c;当检查出的异常结果比较多的时候&#xff0c;群里会有很多推送消息&#xff0c;一条条检查工作量会比较大&#xff0c;且容易出现遗漏。   现在需要将定时任务执行的结果记录到文件&#xff0c;…
阅读更多...
C# GFPGAN 图像修复

C# GFPGAN 图像修复

效果 项目 代码 using Microsoft.ML.OnnxRuntime; using Microsoft.ML.OnnxRuntime.Tensors; using OpenCvSharp; using System; using System.Collections.Generic; using System.Drawing; using System.Drawing.Imaging; using System.Windows.Forms;namespace 图像修复 {pu…
阅读更多...
最新文章

Copyright @ 2022~2023