如何在不更改最终输出的情况下并行化 julia 代码？

Question

我是并行计算的新手，并设法更改了我的代码，使其比我的非并行代码运行得更快，但是我的结果略有不同。我尝试使用@sync、@async、@threads 和@distributed 宏，但它们似乎都不能保持结果正确。

目标是找到通过迷宫的最短路径，并且在运行代码非并行运行良好时，似乎并行运行代码并不能完成搜索算法的所有迭代，而反过来只会给出通过迷宫的最短路径由其中一个线程/工作人员找到。

它的工作原理主要是从入口开始，遍历它可以向出口移动的所有可能点，然后选择它最快到达的点并重复这些步骤，直到到达出口。它使用两个非嵌套的 for 循环来执行此操作，但是当我使用 @async 或 @distributed 之类的宏提高执行速度时，它永远找不到最短路径。

有没有办法同时或并行执行此操作，同时最终仍获得相同的结果？

编辑：

我添加了一个具有相同问题的函数示例。您如何在通过并行化加快速度的同时最终获得相同的 z 值？

    a = rand(1, 2, 15)
    function stufftodo(a)                           
        z = 0
        y = rand(size(a)[1], size(a)[2]) .* 1000
        for i in 1:size(a)[3]
            x = a[:, :, i]
            sleep(0.05)
            if sum(y)>sum(x)
                y=x
            end
        end
        z = minimum(y)
    end

Answer 1

在这里，欢迎任何问题：

让我们为这个例子的可复制性定义数据：

using Random
Random.seed!(0)
a = rand(1, 2, 15)

我们首先测量原始函数的时间。由于 Julia 第一次运行@time，它编译了我们测量两次的代码（只有第二次测量有效）：

julia> @time stufftodo(a)
  1.017913 seconds (654.90 k allocations: 33.067 MiB, 0.81% gc time)
0.042301665932029664

julia> @time stufftodo(a)
  0.772471 seconds (538 allocations: 69.813 KiB)
0.042301665932029664

现在让我们开始分发：

using Distributed
nworkers()<4 && addprocs(4)

@everywhere function stufftodo2(a)
    y = rand(size(a)[1], size(a)[2]) .* 1000
    aggfunc = (x,y) -> sum(y)>sum(x) ? x : y
    y = @distributed (aggfunc) for i in 1:size(a)[3]
        sleep(0.05)
        a[:, :, i]
    end
    minimum(y)
end

现在我们可以测量分布式函数的时间（同样只有第二次测量有效）：

julia> @time stufftodo2(a)
  2.819767 seconds (2.46 M allocations: 124.442 MiB, 1.53% gc time)
0.042301665932029664

julia> @time stufftodo2(a)
  0.206596 seconds (447 allocations: 44.609 KiB)
0.042301665932029664