高级应用篇六

问题：算法的目的就是为了提高代码的执行效率。那当算法无法再继续优化的情况下，我们该如何来进一步提高执行效率呢？那就是并行计算。如何借助并行计算的处理思想对算法进行改造？

并行排序：假设我们要给大小为8GB的数据进行排序，并且我们的机器内存可以一次性容纳这么多数据。对于排序来说，最常用的就是时间复杂度为O(nlogn)的三种排序算法，归并排序，快速排序，堆排序。但是利用并行处理思想，我们可以很轻松地将这个给8GB数据排序问题的执行效率提高很多倍。

第一种是对归并排序并行化处理。将8GB的数据划分成16个小的数据集合，每个集合包含500MB的数据。我们用16个线程，并行地对这16个500MB的数据集合进行排序。分别排序完成之后，再将这16个有序集合合并。

第二种是对快速排序并行化处理。扫描一遍数据，找到数据所处的范围区间。把这个区间从小到大划分成16个小区间。我们将8GB的数据划分到对应的区间中。针对这16个小区间的数据，我们启动16个线程，并行地进行排序。等到16个线程都执行结束之后，得到的数据就是有序数据了。

并行查找：散列表是一种非常适合快速查找的数据结构。

我们给动态数据构建索引，在数据不断加入的时候，散列表的装载因子就会越来越大。为了保证散列表性能不下降，就需要对散列表进行动态扩容。对大的散列表进行动态扩容，一方面比较耗时，另一方面比较消耗内存。

实际上，我们可以将数据随机分割成k份，每份中数据都只有原来的1/k，然后我们针对这k个小数据集合分别构建散列表。这样，散列表的维护成本就变低了。当某个小散列表的装载因子过大的时候，我们可以单独对这个散列表进行扩容，而其它散列表不需要进行扩容。

当我们要查找某个数据的时候，我们只需要通过k个线程，并行地在k个散列表中查找数据。这样的查找性能，比起一个大散列表的做法，不会下降，反倒有可能提高。

并行字符串匹配：前面学过的字符串匹配算法有KMP, BM, RK, BF等。当在一个不是很长的文本中查找关键词的时候，这些字符串匹配算法中的任何一个，都可以表现得非常高效。但是如果处理超级大的文本呢？

我们就可以把大的文本，分割成k个小文本，启动k个线程，并行地在这k个小文本中查找关键词，这样整个查找的性能就提高了16倍。但是原本包含的大文本中的关键词，被一分为二，分割到两个小文本中，就会导致尽管大文本中包含的这个关键词，但在这k个小文本中查找不到它。这就需要特殊处理，假设关键词长度是m。我们在每个小文本的结尾和开始各取m个字符串。前一个小文本的末尾m个字符和后一个小文本的开头m个字符，组成一个2m的字符串，在这个长度为2m的字符串中再重新查找一遍。

并行搜索：前面涉及过好几种搜索算法，分别是广度优先搜索，深度优先搜索，Dijkstra最短路径算法，A*启发式搜索算法。对于广度优先搜索算法，我们可以将其改造成并行算法。

广度优先搜索是一种逐层搜索的搜索策略。基于当前这一层顶点，我们可以启动多个线程，并行地搜索下一层的顶点。

原来广度优先搜索的代码实现，是通过一个队列来记录已经遍历到但还没有扩展的顶点。现在，经过改造之后的并行广度优先搜索算法，我们需要利用两个队列来完成扩展顶点的工作。

两个队列分别是队列A和队列B。多线程并行处理队列A中顶点，并将扩展得到的顶点存储再队列B中。等队列A中顶点都扩展完成之后，队列A被清空，我们再并行的扩展队列B中的顶点，并将扩展出来的顶点存储再队列A。这样两个队列循环使用，就可以实现并行广度优先搜索算法了。