Los ejercicios están resueltos cada uno en una rama, para facilitar ver el resultado

• Aproximación geométrica el valor de PI
• Genera N puntos aleatorios dentro de un cuadrado S con longitud de lado 2, centrado en (0,0)
• Asume un círculo D de radio 1 también dentrado en (0,0)
• La cantidad de puntos aleatorios que caen dentro del círculo es proporcional a pi

• A mayor N, más precisa la aproximación de PI

Nuestro trabajo consistía en hacer una implementación SPMD con la entrada y salida en el proceso 0. Distribuir n y recoger la estimación de PI en cada proceso usando Send y Recv. Se nos indicó repartir la carga de trabajo en el bucle for con “pasos” (i+=numprocs) para que los procesos se alternaran en lugar de hacerlo por bloques.

Para distribuir n desde el proceso 0 usamos un bucle for con MPI_Send mientras que el resto de procesos lo reciben con MPI_Recv. Para recoger la estimación de PI hacemos lo contrario, los procesos usan MPI_send para enviar su parte y el proceso 0 las recive con MPI_Recv y luego suma.

Para la segunda práctica tuvimos que mejorar el código de la primera.

Substituir los Send/Recv por operaciones colectivas

Para distribuir n ahora usamos MPI_Bcast y para recoger la estimación MPI_Reduce

Implementación propia de las funciones colectivas. Para al distribución de n una implementación en árbol binomial MPI_BinomialColectiva Para la recolección del count implementar MPI_FlattreeColectiva asumiendo que la operación a realizar será una suma.

La implementación de MPI_FlattreeColectiva es esencialmente lo mismo que hicimos en la práctica 1, pero generalizando para cualquier caso de root

Para MPI_BinomialBCast usamos el desplazamiento de bits para simplificar las operaciones. Tenemos una máscara que se irá incrementando y la usamos para calcular a que procesos se enviará el dato. Esto se entiendo bien al ver los números en una tabla traducidos a binario.

Máscara 00000001

Máscara 00000010

Máscara 00000100