kmeans算法并行化的mpi程序

　　用c语言写了kmeans算法的串行程序，再用mpi来写并行版的，貌似参照着串行版来写并行版，效果不是很赏心悦目~

　　

　　并行化思路：

　　使用主从模式。由一个节点充当主节点负责数据的划分与分配，其他节点完成本地数据的计算，并将结果返回给主节点。大致过程如下：

　　1、进程0为主节点，先从文件中读取数据集，然后将数据集划分并传给其他进程；

　　2、进程0选择每个聚类的中心点，并发送给其他进程；

　　3、其他进程计算数据块中每个点到中心点的距离，然后标出每个点所属的聚类，并计算每个聚类所有点到其中心点的距离之和，最后将这些结果返回给进程0；

　　4、进程0计算出新的中心点并发送给其他进程，并计算其他进程传来的聚类所有点到其中心点的距离总和；

　　5、重复3和4直到，直到步骤4中的所有聚类的距离之和不变（即收敛）。

　　code:

 #include <stdio.h>
 #include <stdlib.h>
 #include <math.h>
 #include <time.h>
 #include "mpi.h"

 int  main(int argc,char *argv[])
 {
     int i,j;
     MPI_Status status;
     float temp1,temp2;
     int K,N,D;  //聚类的数目，数据量，数据的维数
     float **data;  //存放数据
     int *all_in_cluster;  //进程0标记每个点属于哪个聚类
     int *local_in_cluster;  //其他进程标记每个点属于哪个聚类
     int *in_cluster;  //进程0标记每个点属于哪个聚类
     int count=;
     float *sum_diff;
     float *global_sum_diff;
     float **cluster_center;  //存放每个聚类的中心点
     int rank,size;
     float **array(int m,int n);
     float **loadData(int *k,int *d,int *n);
     float getDistance(float avector[],float bvector[],int n);
     void cluster(int n,int k,int d,float **data,float **cluster_center,int *local_in_cluster);
     float getDifference(int k,int n,int d,int *in_cluster,float **data,float **cluster_center,float *sum);
     void getCenter(int k,int d,int n,int *in_cluster,float **data,float **cluster_center);

     MPI_Init(&argc,&argv);
     MPI_Comm_rank(MPI_COMM_WORLD,&rank);
     MPI_Comm_size(MPI_COMM_WORLD,&size);
     if(!rank){
         data=loadData(&K,&D,&N);  //进程0读入数据
         if(size==||size>N||N%(size-))    MPI_Abort(MPI_COMM_WORLD,);  //若不满足条件则退出
     }
     MPI_Bcast(&K,,MPI_INT,,MPI_COMM_WORLD);  //进程0广播
     MPI_Bcast(&N,,MPI_INT,,MPI_COMM_WORLD);
     MPI_Bcast(&D,,MPI_INT,,MPI_COMM_WORLD);
     if(rank)    data=array(N/(size-),D);  //其他进程分配存储数据集的空间
     all_in_cluster=(int *)malloc(N/(size-)*size*sizeof(int));  //用于进程0
     local_in_cluster=(int *)malloc(N/(size-)*sizeof(int));  //用于每个进程
     in_cluster=(int *)malloc(N*sizeof(int));  //用于进程0
     sum_diff=(float *)malloc(K*sizeof(float));  //进程中每个聚类的数据点与其中心点的距离之和
     global_sum_diff=(float *)malloc(K*sizeof(float));
     for(i=;i<K;i++)    sum_diff[i]=0.0;  //初始化

     if(!rank){  //进程0向其他进程分配数据集
         for(i=;i<N;i+=(N/(size-)))
             for(j=;j<(N/(size-));j++)
                 MPI_Send(data[i+j],D,MPI_FLOAT,(i+j)/(N/(size-))+,,MPI_COMM_WORLD);
         printf("Data sets:\n");
         for(i=;i<N;i++)
             for(j=;j<D;j++){
                 printf("%-8.2f",data[i][j]);
                 if((j+)%D==)    putchar('\n');
             }
            printf("-----------------------------\n");
     }else{  //其他进程接收进程0数据
         for(i=;i<(N/(size-));i++)
             MPI_Recv(data[i],D,MPI_FLOAT,,,MPI_COMM_WORLD,&status);
     }
     MPI_Barrier(MPI_COMM_WORLD);  //同步一下
     cluster_center=array(K,D);  //中心点
     if(!rank){  //进程0产生随机中心点
         srand((unsigned int)(time(NULL)));  //随机初始化k个中心点
         for(i=;i<K;i++)
             for(j=;j<D;j++)
                 cluster_center[i][j]=data[(int)((double)N*rand()/(RAND_MAX+1.0))][j];
     }
     for(i=;i<K;i++)    MPI_Bcast(cluster_center[i],D,MPI_FLOAT,,MPI_COMM_WORLD);  //进程0向其他进程广播中心点
     if(rank){
         cluster(N/(size-),K,D,data,cluster_center,local_in_cluster);  //其他进程进行聚类
         getDifference(K,N/(size-),D,local_in_cluster,data,cluster_center,sum_diff);
         for(i=;i<N/(size-);i++)
             printf("data[%d] in cluster-%d\n",(rank-)*(N/(size-))+i,local_in_cluster[i]+);
     }
     MPI_Gather(local_in_cluster,N/(size-),MPI_INT,all_in_cluster,N/(size-),MPI_INT,,MPI_COMM_WORLD);  //全收集于进程0
     MPI_Reduce(sum_diff,global_sum_diff,K,MPI_FLOAT,MPI_SUM,,MPI_COMM_WORLD);  //归约至进程0,进程中每个聚类的数据点与其中心点的距离之和
     if(!rank){
         for(i=N/(size-);i<N+N/(size-);i++)
             in_cluster[i-N/(size-)]=all_in_cluster[i];  //处理收集的标记数组
         temp1=0.0;
         for(i=;i<K;i++) temp1+=global_sum_diff[i];
         printf("The difference between data and center is: %.2f\n\n", temp1);
         count++;
     }
     MPI_Bcast(&temp1,,MPI_FLOAT,,MPI_COMM_WORLD);
     MPI_Barrier(MPI_COMM_WORLD);

     do{   //比较前后两次迭代，若不相等继续迭代
         temp1=temp2;
         if(!rank)    getCenter(K,D,N,in_cluster,data,cluster_center);  //更新中心点
         for(i=;i<K;i++)    MPI_Bcast(cluster_center[i],D,MPI_FLOAT,,MPI_COMM_WORLD);  //广播中心点
         if(rank){
             cluster(N/(size-),K,D,data,cluster_center,local_in_cluster);  //其他进程进行聚类
             for(i=;i<K;i++)    sum_diff[i]=0.0;
             getDifference(K,N/(size-),D,local_in_cluster,data,cluster_center,sum_diff);
             for(i=;i<N/(size-);i++)
                 printf("data[%d] in cluster-%d\n",(rank-)*(N/(size-))+i,local_in_cluster[i]+);
         }
         MPI_Gather(local_in_cluster,N/(size-),MPI_INT,all_in_cluster,N/(size-),MPI_INT,,MPI_COMM_WORLD);
         if(!rank)
             for(i=;i<K;i++)    global_sum_diff[i]=0.0;
         MPI_Reduce(sum_diff,global_sum_diff,K,MPI_FLOAT,MPI_SUM,,MPI_COMM_WORLD);
         if(!rank){
             for(i=N/(size-);i<N+N/(size-);i++)
                 in_cluster[i-N/(size-)]=all_in_cluster[i];
             temp2=0.0;
             for(i=;i<K;i++) temp2+=global_sum_diff[i];
             printf("The difference between data and center is: %.2f\n\n", temp2);
             count++;
         }
         MPI_Bcast(&temp2,,MPI_FLOAT,,MPI_COMM_WORLD);
         MPI_Barrier(MPI_COMM_WORLD);
     }while(fabs(temp2-temp1)!=0.0);
     if(!rank)    printf("The total number of cluster is: %d\n\n",count);
     MPI_Finalize();
 }

 //动态创建二维数组
 float **array(int m,int n)
 {
     int i;
     float **p;
     p=(float **)malloc(m*sizeof(float *));
     p[]=(float *)malloc(m*n*sizeof(float));
     for(i=;i<m;i++)    p[i]=p[i-]+n;
     return p;
 }

 //从data.txt导入数据，要求首行格式：K=聚类数目,D=数据维度,N=数据量
 float **loadData(int *k,int *d,int *n)
 {
     float **array(int m,int n);
     int i,j;
     float **arraydata;
     FILE *fp;
     if((fp=fopen("data.txt","r"))==NULL)    fprintf(stderr,"cannot open data.txt!\n");
     if(fscanf(fp,"K=%d,D=%d,N=%d\n",k,d,n)!=)    fprintf(stderr,"load error!\n");
     arraydata=array(*n,*d);  //生成数据数组
     for(i=;i<*n;i++)
         for(j=;j<*d;j++)
             fscanf(fp,"%f",&arraydata[i][j]);  //读取数据点
     return arraydata;
 }

 //计算欧几里得距离
 float getDistance(float avector[],float bvector[],int n)
 {
     int i;
     float sum=0.0;
     for(i=;i<n;i++)
         sum+=pow(avector[i]-bvector[i],);
     return sqrt(sum);
 }

 //把N个数据点聚类，标出每个点属于哪个聚类
 void cluster(int n,int k,int d,float **data,float **cluster_center,int *local_in_cluster)
 {
     int i,j;
     float min;
     float **distance=array(n,k);  //存放每个数据点到每个中心点的距离
     for(i=;i<n;++i){
         min=9999.0;
         for(j=;j<k;++j){
             distance[i][j] = getDistance(data[i],cluster_center[j],d);
             if(distance[i][j]<min){
             min=distance[i][j];
             local_in_cluster[i]=j;
         }
        }
     }
     printf("-----------------------------\n");
     free(distance);
 }

 //计算所有聚类的中心点与其数据点的距离之和
 float getDifference(int k,int n,int d,int *in_cluster,float **data,float **cluster_center,float *sum)
 {
     int i,j;
     for(i=;i<k;++i)
         for(j=;j<n;++j)
             if(i==in_cluster[j])
                 sum[i]+=getDistance(data[j],cluster_center[i],d);
 }

 //计算每个聚类的中心点
 void getCenter(int k,int d,int n,int *in_cluster,float **data,float **cluster_center)
 {
     float **sum=array(k,d);  //存放每个聚类中心
     int i,j,q,count;
     for(i=;i<k;i++)
         for(j=;j<d;j++)
             sum[i][j]=0.0;
     for(i=;i<k;i++){
         count=;  //统计属于某个聚类内的所有数据点
         for(j=;j<n;j++){
             if(i==in_cluster[j]){
                 for(q=;q<d;q++)
                     sum[i][q]+=data[j][q];  //计算所属聚类的所有数据点的相应维数之和
                 count++;
             }
         }
         for(q=;q<d;q++)
             cluster_center[i][q]=sum[i][q]/count;
     }
     printf("The new center of cluster is:\n");
         for(i = ; i < k; i++)
             for(q=;q<d;q++){
                 printf("%-8.2f",cluster_center[i][q]);
                 if((q+)%d==)    putchar('\n');
     }
     free(sum);
 }

　　

 //生成测试数据
 #include<stdio.h>
 #include<stdlib.h>
 #include<time.h>
 #define N 1000

 int main()
 {
     int i;
     float a;
     int k,d,n;
     FILE *fp;
     fprintf(stdout,"input(k d n):");
     scanf("%d%d%d",&k,&d,&n);
     if((fp=fopen("data.txt","w"))==NULL)    exit();
     fprintf(fp,"K=%d,D=%d,N=%d\n",k,d,n);
     srand((unsigned int)(time(NULL)));
     for(i=;i<=d*n;i++){
         a=(int)(1.0+(double)N*rand()/(RAND_MAX+1.0));
         fprintf(fp,"%.2f ",a);
         if(i%d==) putc('\n',fp);
     }
     if(fclose(fp)) exit();
 }

　　实验：

　　聚类数K=10，数据的维度D=2，单位(秒)：

数据量N	10000	100000	500000
串行	1	21	109
并行(2个进程)	2	25	101
并行(3个进程)	3	26	101

　　

　　分析：电脑配置是奔腾双核，按照该并行程序，一个核心用作主节点以分配数据集，另一个核心作为承担了大多数计算任务的节点。当数据量较小时，并行程序花在进程间数据通信的时间占了总体时间的很大比重，所以并行程序耗时要多于串行程序。在本电脑CPU为两个核心的环境下，当数据量较大时，并行程序与串行程序耗时相当或者稍微偏小。在CPU核心数在3个以上时，该并行程序的优势才突显出来。