MOJAB 24

با استفاده از چند پردازش، ضرب ماتریس را پیاده سازی کنید.

برای ضرب دو ماتریس A و B به اندازه n × m و m × p به ترتیب، می توان از چند پردازش استفاده کرد. یکی از روش های معمول برای پیاده سازی این عملیات، استفاده از تابع موازی در زبان برنامه نویسی مانند Python است. در ادامه یک مثال از این پیاده سازی آورده شده است:

import numpy as np
from multiprocessing import Pool

def multiply_row(row):
    global A, B
    result_row = []
    for i in range(len(B[0])):
        result = sum(A[row][k] * B[k][i] for k in range(len(A[0])))
        result_row.append(result)
    return result_row

def multiply_matrices(A, B):
    global result
    result = []
    pool = Pool()
    result = pool.map(multiply_row, range(len(A)))
    pool.close()
    pool.join()
    return result

# ایجاد دو ماتریس تست
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# ضرب ماتریس ها
result = multiply_matrices(A, B)

# چاپ نتیجه
print(np.array(result))

در این مثال، ابتدا توابع multiply_row و multiply_matrices تعریف شده اند که به ترتیب یک ردیف از ماتریس A را در ماتریس B ضرب می کنند و نتیجه نهایی ضرب دو ماتریس را برمی گردانند. سپس از تابع Pool در ماژول multiprocessing برای ایجاد چند پردازش استفاده شده است تا ضرب ماتریس ها به صورت موازی انجام شود. در نهایت، نتیجه نهایی چاپ می شود.