在理想情况下，编译器使用自动并行化能够管理一切事务，使用OpenMP指令的一个优点是将并行性和算法分离，阅读代码时候无需考虑并行化是如何实现的。当然for循环是可以并行化处理的天然材料，满足一些约束的for循环可以方便的使用OpenMP进行傻瓜化的并行。

为了使用自动并行化对Mandelbrot集合进行计算，必须对代码进行内联：书中首次使用自动并行化时候，通过性能分析发现工作在线程中并未平均分配。

#include <stdio.h>
#include <malloc.h>
#define SIZE 4000int inSet(double ix,double iy)
{int iterations = 0;double x = ix,y = iy;double x2 = x*x, y2 = y*y;while ((x2 + y2 < 4) && (iterations < 1000)){y = 2*x*y + iy;x = x2 -y2 +ix;x2 = x*x;y2 = y*y;iterations++;}return iterations;
}int main()
{int *matrix[SIZE];for (int i = 0; i < SIZE; i++){matrix[i] = (int* )malloc( SIZE*sizeof(int) );}#pragma omp parallel forfor (int x = 0 ;x <SIZE; x++){for (int y =0;y <SIZE;y++){double xv = ((double)x -(SIZE/2)) / (SIZE/4);double yv = ((double)y -(SIZE/2)) / (SIZE/4);matrix[x][y] = inSet(xv,yv);}}for (int x =0; x<SIZE;x++){for (int y =0;y<SIZE;y++){if (matrix[x][y] == -7){printf(" ");}}}return 0;
}

当我们看到 分形图的时候应该可以很快的理解负荷不均衡从那里产生，分形图中大部分点不在集合中，这部分点只需要少量的迭代就可以确定，但有些在集合中的点则需要大量的迭代。

当然我再一次见识到了OpenMP傻瓜化的并行操作机制，纠正工作负荷不均衡只要更改并行代码调度子句就可以了，使用动态指导调度，下面代码是增加了OpenCV的显示部分：

#include "Fractal.h"
#include <Windows.h>
#include <omp.h>int Fractal::Iteration(Complex a, Complex c)
{double maxModulus = 4.0;int maxIter = 256;int iter = 0;Complex temp(0,0) ;while ( iter < maxIter && a.modulus() < maxModulus){a = a * a ;a += c;iter++;}return iter;
}cv::Mat Fractal::generateFractalImage(Border border, CvScalar colortab[256] )
{cv::Size size(500,500);double xScale = (border.xMax - border.xMin) / size.width;double yScale = (border.yMax - border.yMin) / size.height;cv::Mat img(size, CV_8UC3);#pragma omp parallel for schedule(dynamic)for (int y=0; y<size.height; y++){for (int x=0; x<size.width; x++){double cx = border.xMin + x * xScale;double cy = border.yMin + y * yScale;Complex a(0.0, 0.0);Complex c(cx, cy);int nIter ;if (type == MANDELBROT){nIter = Iteration(a, c);}else if (type == JUALIA){nIter = Iteration(c, offset);}int colorIndex =  (nIter) % 255;cv::Vec3b color;color.val[0] = colortab[colorIndex].val[0];color.val[1] = colortab[colorIndex].val[1];color.val[2] = colortab[colorIndex].val[2];img.at<cv::Vec3b>(y,x) = color;}}return img;
}

#pragma omp parallel for schedule(dynamic) 子句

schedule子句：

　　schedule(type[, size])，

　　参数type是指调度的类型，可以取值为static，dynamic，guided，runtime四种值。其中runtime允许在运行时确定调度类型，因此实际调度策略只有前面三种。

　　参数size表示每次调度的迭代数量，必须是整数。该参数是可选的。当type的值是runtime时，不能够使用该参数。

动态调度dynamic

　　动态调度依赖于运行时的状态动态确定线程所执行的迭代，也就是线程执行完已经分配的任务后，会去领取还有的任务。由于线程启动和执行完的时间不确定，所以迭代被分配到哪个线程是无法事先知道的。

　　当不使用size 时，是将迭代逐个地分配到各个线程。当使用size 时，逐个分配size个迭代给各个线程。

动态调度迭代的分配是依赖于运行状态进行动态确定的，所以哪个线程上将会运行哪些迭代是无法像静态一样事先预料的。

加速结果：

1.放大加速结果

2.未加速时候的放到功能，基本是3-5倍这个水平，也就是相当于台式机cpu 的个数？本人的猜测

3.图像计算结果（未加速）

4. 动态加速结果

代码：http://download.csdn.net/detail/wangyaninglm/9516035

参考文献：

http://baike.baidu.com/view/1777568.htm?fromtitle=Mandelbrot%E9%9B%86%E5%90%88&fromid=1778748&type=syn

http://www.cnblogs.com/easymind223/archive/2013/01/19/2867620.html
戈夫. 多核应用编程实战[M]. 人民邮电出版社, 2013.

http://openmp.org/mp-documents/OpenMP3.1-CCard.pdf

http://blog.csdn.net/gengshenghong/article/details/7000979