OpenMP 是 c++ 中最轻量易用的并行框架，通过 #pragma omp 指令快速并行化规则 循环 ；需编译器支持并添加对应标志，常用 parallel for 实现数据并行，注意循环结构限制与数据依赖；可设置 线程 数及调度策略优化 负载均衡；用private、reduction 等子句避免数据竞争。
OpenMP 是 C++ 中最轻量、最易上手的并行框架之一，特别适合加速规则循环（如 for）和数据并行任务。它不需手动管理线程创建 / 同步，靠编译器指令（#pragma omp）就能把串行代码快速改造成 多线程 版本。
启用 OpenMP 并添加基础并行循环
先确保编译器支持（GCC/Clang/MSVC 都支持），编译时加标志：
GCC/Clang：-fopenmp；
MSVC：/openmp。
最常用的是 #pragma omp parallel for，它会自动把循环迭代分配给多个线程：
#include <omp.h> #include <vector> #include <cmath><p>std::vector<double> data(1000000, 1.0);</p><p><span> 立即学习 </span>“<a href="https://pan.quark.cn/s/6e7abc4abb9f" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">C++ 免费学习笔记（深入）</a>”；</p><h1>pragma omp parallel for</h1><p>for (int i = 0; i < data.size(); ++i) {data[i] = std::sin(data[i] * i); // 每次计算独立，无依赖 }注意：循环变量必须是 整型、有确定上下界、步长为 1 的简单 for 形式；且循环体中不能有跨迭代的数据依赖（比如 data[i] += data[i-1] 就不行）。
控制线程数与调度策略
默认线程数通常等于 CPU 核心数，但可手动指定：
- 用
omp_set_num_threads(n)在运行时设置； - 或用 环境变量：
export OMP_NUM_THREADS=4（linux/macOS）或set OMP_NUM_THREADS=4（windows）； - 在 pragma 中加
num_threads(n)：#pragma omp parallel for num_threads(4)
对不均匀计算（如部分迭代耗时明显更长），可用调度策略优化负载均衡：
-
schedule(Static)：默认，把循环等分块分给线程（适合各次计算耗时相近）； -
schedule(dynamic, chunk)：动态分发，每次取chunk个迭代，适合耗时不均； -
schedule(guided)：初始 chunk 大，越往后越小，兼顾效率与平衡。
例如：#pragma omp parallel for schedule(dynamic, 1024)
避免数据竞争：私有化与归约
多个线程同时读写同一变量 → 数据竞争 → 结果错误。常见解决方式：
- private(var)：每个线程一份独立副本（适合中间变量）；
- firstprivate(var)：私有化 + 初始化为原值；
- reduction(op:var)：安全合并结果（+、*、min、max 等支持的操作）；
- critical / atomic：仅在必须串行访问时用（性能代价高，慎用）。
示例（求和）：
double sum = 0.0; #pragma omp parallel for reduction(+:sum) for (int i = 0; i < N; ++i) {sum += array[i] * array[i]; // 各线程算局部和，最后自动相加 }嵌套并行与注意事项
OpenMP 默认禁用嵌套并行（即 parallel 区域内再开 parallel）。如需启用：
- 调用
omp_set_nested(1)； - 或设 环境变量
OMP_NESTED=TRUE； - 但一般不建议——容易导致线程爆炸（如 8 核开两层各 4 线程 → 16 线程），反而降低性能。
其他实用提示：
- 用
omp_get_thread_num()获取当前线程 ID（调试或分片逻辑有用）； - 避免在 parallel 区域里调用非线程安全的函数（如旧版
rand()，改用std::mt19937）； - 循环外变量默认 shared，循环内变量默认 private —— 显式声明更安全。
基本上就这些。OpenMP 不复杂但容易忽略细节，只要保证无数据依赖、合理用 reduction 或 private，一个 pragma 就能显著提速计算密集型循环。
