蒙特卡洛算法并行计算代码

蒙特卡洛算法是一种随机化方法，可以用于计算数学问题的数值解。在并行计算中，可以使用多个处理器同时计算不同的样本，加速计算速度。

以下是一个简单的并行计算蒙特卡洛算法的代码示例：

#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#include <omp.h>

int main(int argc, char* argv[])
{
    int num_samples = 10000000;
    int num_threads = 4;
    int count = 0;
    double x, y, pi_estimate, distance_squared;

    #pragma omp parallel num_threads(num_threads) private(x, y, distance_squared) reduction(+:count)
    {
        unsigned int seed = omp_get_thread_num();
        #pragma omp for
        for (int i = 0; i < num_samples; i++) {
            x = (double)rand_r(&seed) / RAND_MAX;
            y = (double)rand_r(&seed) / RAND_MAX;
            distance_squared = x * x + y * y;
            if (distance_squared <= 1.0) {
                count++;
            }
        }
    }

    pi_estimate = 4 * (double)count / num_samples;
    printf("Pi estimate: %f\n", pi_estimate);

    return 0;
}

在这个代码中，我们使用 OpenMP 库来实现并行计算。首先，我们定义了要计算的样本数和线程数。然后，我们使用 `#pragma omp parallel` 指令来指定要并行计算的代码块，并使用 `num_threads` 参数指定线程数。

在并行计算的代码块中，我们使用 `rand_r` 函数生成随机数，并使用 `distance_squared` 变量计算这个点到原点的距离平方。如果这个距离平方小于等于 1.0，说明这个点在单位圆内，我们将 `count` 变量加 1。

最后，我们使用 `pi_estimate` 变量计算圆周率的估计值，并输出结果。注意，我们使用 `reduction` 参数来指定 `count` 变量在不同线程之间的合并方式，这里使用加法合并。