怎么通过 for 循环实现矩阵乘法的并行化拆分逻辑以提升在多核 CPU 上的执行速度

标准三层循环本身并不关心多核，它只会老老实实按顺序把每个 C[i][j] 算出来。要利用多核，就得把“计算任务”按逻辑切开，每个线程负责一部分独立子任务，最后合并结果。这里面最重要的原则是：避免数据竞争、减少同步开销、保持缓存友好。下面展开讲几种实用的拆分方式。

按输出矩阵 C 的行或块分配任务

这是最直观、实现代价最小且效果最稳定的做法。C 是 M×N 矩阵，每个元素 C[i][j] 的计算只依赖 A 的第 i 行和 B 的第 j 列，不同行之间完全独立，互不干扰。

• 让每个线程处理 C 的若干连续行（比如每线程负责 4 行），内部仍用标准 j-k 两层循环计算。
• 用 OpenMP 实现时，只需在最外层 i 循环加一句 #pragma omp parallel for，编译器自动帮你调度。
• 最关键的一点：因为每个线程写的是不同行，内存地址完全不重叠，所以根本不需要锁或者原子操作——无竞争写入，性能极佳。

采用二维分块（tiling）提升缓存命中率

按行并行能利用多核，但矩阵一大的麻烦就来了：频繁访问 B 的列会导致大量缓存缺失，毕竟 B 是按行存储的，按列访问就是跨步读取。分块技术就是专门解决这个问题的——把 A 和 B 都切成小矩形块，让每个线程在计算过程中反复复用局部数据。

• 设定一个块大小，比如 TILE = 16，外层用 m/n 步进循环遍历 C 的每个 TILE×TILE 块。
• 每个线程加载 A 的一行块和 B 的一列块到本地临时数组，再用三层小循环完成该块内所有乘加运算。
• 这样一来，B 的同一块在计算过程中被多次复用，从主存读取的次数大幅下降，缓存局部性显著改善。
• OpenMP 可以把并行套在最外层的 m-n 循环上，每个线程处理一个或多个完整 tile。

避免常见性能陷阱

并行不是万灵药，拆得不对反而拖慢速度。下面这几个坑经常遇到：

• 别为小矩阵强行并行——矩阵尺寸小于 100×100 时，线程创建和调度的开销很可能超过计算收益，不如直接串行。
• 避免细粒度拆分——比如每个线程只算一个 C[i][j]，线程数远超核心数，上下文切换成本高得不偿失。
• 调度策略别用默认的 schedule(dynamic)，改用 schedule(static) 或指定 chunk size，防止负载不均导致部分线程闲着、部分线程忙死。
• 确保内存布局是行优先（C-style）连续存储——否则访问 B 的列时变成跨页随机读，性能直接崩掉。

一个轻量级 OpenMP 示例（基于行拆分）

假设 A[M][K]、B[K][N]、C[M][N] 已经分配好连续内存，下面这段代码就是最经典的行拆分实现：

#pragma omp parallel for schedule(static)
for (int i = 0; i < M; i++) {
    for (int j = 0; j < N; j++) {
        double sum = 0.0;
        for (int k = 0; k < K; k++) {
            sum += A[i][k] * B[k][j];
        }
        C[i][j] = sum;
    }
}

这段代码在 4 核 CPU 上通常能拿到接近 3.5 倍的加速——前提是矩阵足够大（比如 M=N=K≥2000），而且没有开什么奇怪的优化把自己搞崩掉。一句话总结：用对拆分策略，多核 CPU 的潜力才能真正释放出来。