Правка в постановке

report/.gitignore

@@ -2,4 +2,5 @@
 !.gitignore
 !report.tex
 !img
-!img/**
+!img/**
+!plot.py

report/plot.py

@@ -0,0 +1,27 @@
+"""Код для рисования графика для отчёта."""
+
+import matplotlib.pyplot as plt
+
+plt.xlabel("Количество потоков в блоке", fontsize=18)
+plt.ylabel("Время выполения, мс", fontsize=18)
+plt.grid(True, which="both", linestyle="--", linewidth=0.5)
+threads_per_block = [1, 10, 100, 1000]
+
+# Тут указываем своё время
+plt.plot(threads_per_block, [44648, 23257, 3643, 596], label="1 блок")
+plt.plot(threads_per_block, [15096, 4075, 536, 88], label="10 блоков")
+plt.plot(threads_per_block, [1694, 554, 93, 49], label="100 блоков")
+plt.plot(threads_per_block, [1027, 291, 55, 64], label="1000 блоков")
+plt.plot(threads_per_block, [1140, 223, 77, 196], label="10000 блоков")
+
+# Тут указываем параметры оси Y (0, макс время, шаг)
+# plt.yticks([i for i in range(0, 44648, 2500)])
+# plt.xticks([i for i in range(0, 1000, 100)])
+
+# Либо так, чтобы был логарифмический масштаб
+plt.yscale("log")
+plt.xscale("log")
+
+
+plt.legend()
+plt.show()

report/report.tex

@@ -481,7 +481,7 @@ K40. Ниже приведены вычислительные возможнос
 
 Надо: 
 \begin{itemize}
-    \item построить L - траекторию, соединяющую P1 и P2.
+    \item построить L - траекторию, соединяющую P1 и P2, либо вывести на экран сообщение о том, что такой траектории не существует.
 \end{itemize}
        
 Ограничения: 
@@ -592,7 +592,7 @@ $$
 
 \newpage
 \section{Анализ результатов}
-В таблицах 1, 2, 3 приведены результаты измерения времени в миллисекундах для глобальной памяти для размеров матрицы 500 × 500, 1000 × 1000, 1500 × 1500 соответственно.
+В таблицах 1, 2, 3 приведены результаты измерения времени в миллисекундах для глобальной памяти для размеров матрицы 100 × 100, 500 × 500, 1000 × 1000 соответственно. В таблицах 4, 5, 6 приведены результаты измерения времени в миллисекундах для разделяемой памяти для размеров матрицы 100 × 100, 500 × 500, 1000 × 1000 соответственно.
 
 \begin{table}[h!]
     \centering
@@ -625,9 +625,9 @@ $$
     \hline
       & 1     & 10    & 100  & 1000 & 10000 \\
     \hline
-    1 & 13124 & 15096 & 1694 & 1027 & 1140 \\
+    1 & 44648 & 15096 & 1694 & 1027 & 1140 \\
     \hline
-    9 & 33257 & 4075 & 554 & 291 & 223 \\
+    9 & 23257 & 4075 & 554 & 291 & 223 \\
     \hline
     100 & 3643 & 536 & 93 & 55 & 77 \\
     \hline
@@ -646,9 +646,9 @@ $$
     \hline
       & 1 & 10 & 100 & 1000 & 10000 \\
     \hline
-    1 & 89324 & 121341 & 12760 & 7010 & 6472 \\
+    1 & 189324 & 121341 & 12760 & 7010 & 6472 \\
     \hline
-    9 & 264810 & 29369 & 4435 & 2208 & 1356 \\
+    9 & 164810 & 29369 & 4435 & 2208 & 1356 \\
     \hline
     100 & 28946 & 2985 & 628 & 329 & 360 \\
     \hline
@@ -690,7 +690,7 @@ $$
     \hline
       & 1 & 10 & 100 & 1000 & 10000 \\
     \hline
-    1 & 18837 & 31345 & 3566 & 1786 & 1724 \\
+    1 & 48837 & 31345 & 3566 & 1786 & 1724 \\
     \hline
     9 & 1120 & 2109 & 347 & 163 & 148 \\
     \hline
@@ -722,12 +722,63 @@ $$
     \end{tabularx}
 \end{table}
 
+\newpage
+В целом, увеличение количества потоков приводит к уменьшению времени выполнения вплоть до некоторого предела, после которого время начинает возрастать. Это связано с тем, что слишком большое число потоков приводит к неэффективному использованию ресурсов GPU, вызывая задержки из-за управления  бездействующими потоками. В среднем лучше всего себя показывают конфигурации, где количестов потоков близко к количеству элементов в матрице.
+
+Были выделены лучшие конфигурации для матриц с разными размерами:
+\begin{itemize}
+    \item Для матрицы 100 × 100:
+    \begin{itemize}
+        \item Глобальная память: 100 блоков, 100 потоков, 3.79 мс.
+        \item Разделяемая память: 100 блоков, 100 потоков, 1.35 мс.
+    \end{itemize}
+    \item Для матрицы 500 × 500:
+    \begin{itemize}
+        \item Глобальная память: 100 блоков, 1024 потока, 49 мс.
+        \item Разделяемая память: 10 000 блоков, 100 потоков, 17 мс.
+    \end{itemize}
+    \item Для матрицы 1000 × 1000:
+    \begin{itemize}
+        \item Глобальная память: 100 блоков, 1024 потока, 277 мс.
+        \item Разделяемая память: 10 000 блоков, 100 потоков, 103 мс.
+    \end{itemize}
+\end{itemize}
+
+На Рис.~\ref{fig:plot} отображена зависимость времения от разного числа потоков в определенной выборке блоков.
+
+\begin{figure}[h!]
+   \centering
+   \includegraphics[width=1\linewidth]{img/plot.png}
+   \caption{Зависимость времени выполнения программы от разного числа потоков в блоке для матрицы 1000 x 1000 и глобальной памяти. Используется логарифмический масштаб по обеим осям.}
+   \label{fig:plot}
+\end{figure}
+
+Использование разделяемой памяти в большинстве случаев позволяет значительно ускорить выполнение алгоритма по сравнению с использованием только глобальной памяти (в среднем на 60\%). Особенно заметно это на больших размерах матриц, где доступ к глобальной памяти становится узким местом.
+
+Алгоритму с разделяемой памятью важно, чтобы в каждом блоке было как можно больше потоков. Это связано с тем, что чем больше потоков в блоке, тем больше ячеек матрицы можно обработать одновременно, используя быструю разделяемую память вместо глобальной. При небольшом количестве потоков в блоке преимуществ разделяемой памяти становится меньше, так как потоки вынуждены чаще обращаться к глобальной памяти, что снижает общую производительность. 
 
 
+\newpage
+\phantom{text}
 \newpage
     \section*{Заключение}
     \addcontentsline{toc}{section}{Заключение}
 
+В рамках курсовой работы было изучена технология параллельного программирования на основе архитектуры Nvidia CUDA.
+
+Для задачи построения пути движения робота по полигону был разработан параллельный асинхронный алгоритм, алгоритм был реализован на языке CUDA C. Программа была
+запущена на ресурсах суперкомпьютерного центра «Политехнический». Для запуска использовался узел типа «Торнадо» с видеокартой NVIDIA Tesla K40X. Запуск
+программы проводился на одном узле с использованием одной видеокарты.
+
+Было измерено время работы программы при различной степени распараллеливания, разных размерах матриц и разной памяти. Использование оптимальной конфигурации позволило
+уменьшить время выполнения в 100 раз относительно наихудшей конфигурации для
+матрциы 100 × 100, в 1000 раз для 500 × 500 и в 1500 раз для 1000 × 1000.
+
+Реализация алгоритма с использованием разделяемой памяти показала значительно более высокую эффективность. Время выполнения алгоритма снизилось в среднем на 60\%.
+
+В рамках курсовой работы была написана программа размером 280 строк. Работа на СКЦ «Политехнический» шла две недели, за это время было сделано примерно 100 запусков задач на исполнение.
+Для сборки использовался компилятор NVCC версии 11.6u2.
+
 
 \newpage
 \section*{Список литературы}
@@ -736,7 +787,7 @@ $$
 \vspace{-1.5cm}
 \begin{thebibliography}{0}
     \bibitem{mayers}
-    Майерс, Г. Искусство тестирования программ. -- Санкт-Петербург: Диалектика, 2012 г.
+    Сандерс, Д. Технология CUDA в примерах: введение в программирование графических процессоров -- Москва: изд. ДМК Пресс, 2013 г -- 232 с.
 \end{thebibliography}
 
 \end{document}