В статье рассмотрены вопросы классификационного выбора предпочтительных
алгоритмов распараллеливания (с минимальным временем выполнения), реализованных
в инструментальных средствах разработки параллельных программ для многоядерных
(многопроцессорных) вычислительных систем с общей памятью, на основе собираемой
обучающей статистической информации параметров выполнения циклов, предыдущих
запусков программы. Классификационное (решающее) правило отбора предпочтительного
алгоритма в процессе обучения может строиться только на основе информации
из обучающей выборки предыдущих запусков. Эта информация должна не просто
запоминаться, а обобщаться и преобразовываться в образ, наиболее похожий на новый
распознаваемый образ, характеризующий неизвестный программный цикл. С этой целью
в статье приведены три методики, позволяющие на основе математического аппарата
теории вероятностей последовательно собирать и преобразовывать обучающие выборки
под каждый циклический участок программы к виду образа (конечного профиля проекта),
обеспечивающего функциональную связь между количеством итераций текущего
цикла и предпочтительным алгоритмом распараллеливания. Полученная зависимость
дает возможность производить автоматический выбор предпочтительного алгоритма
распараллеливания на основе классификационного отбора по входному параметру (количества
итераций) цикла в сформированном профиле проекта, состоящем из совокупности кортежей
предпочтительных алгоритмов распараллеливания. Целью данной статьи является оценка
влияния времени выполнения распараллеленных циклических участков целевой программы
с применением предлагаемого метода автоматизированного выбора предпочтительных
алгоритмов при многопоточном параллельном выполнении программы в многоядерных
(многопроцессорных) ПЭВМ на показатели результатов имитационного моделирования
боевых действий