6.1 共阵列：语言内建的并行模型

6.1 共阵列：语言内建的并行模型

本节摘要：协同数组（coarray）把分布式内存并行直接写进语言：程序以"映像"为单位运行，方括号语法访问其他映像的数据，同步语句保证一致性。本节讲清映像模型、协同数组声明、远程访问与同步的规则，并给出 PGAS 模型相对 MPI 的取舍——它省心，但在细粒度通信上有自己的边界。

从 MPI 的显式消息说起

分布式内存并行的老牌标准是 MPI：每个进程有自己的内存，跨进程交换数据靠显式的发送与接收。代码里充斥着 send、recv、tag、communicator——一个简单的数组交换要写好几十行。MPI 强大，但它把"通信"这个动作完全暴露给程序员，认知负荷高，且细粒度通信的代码极易出错。协同数组（Fortran 2008 起）的目标，是把分布式并行从"显式通信"变成"像访问本地变量一样访问远程数据"。

映像与协同数组：把分布式写进声明

协同数组模型里，程序的每个并行执行实例叫映像（image）。声明 real :: a(100)[*] 表示：每个映像都有一份长度为 100 的数组 a，[*] 表示"在所有映像上分布"。用下标 a(i)[j] 访问第 j 个映像上的第 i 个元素——远程访问的语法和本地访问几乎一样。

program coarray_demo
  use iso_fortran_env, only: real64
  implicit none
  real(real64) :: a(100)[*]        ! 每个映像都有一份，可远程访问
  integer :: me, nimg, i

  me = this_image()                ! 我是第几个映像
  nimg = num_images()              ! 一共几个映像

  ! 每个映像初始化自己的那份
  do i = 1, 100
    a(i) = real(me * 100 + i, real64)
  end do

  sync all                         ! 所有映像完成初始化后再继续

  ! 映像 1 读取映像 2 的数据
  if (me == 1 .and. nimg >= 2) then
    write(*,*) 'image2 a(10) =', a(10)[2]
  end if

  ! 每个映像把自己这份的第一个元素发给下一个映像
  if (me < nimg) then
    a(1)[me + 1] = a(100)          ! 远程写入：把 a(100) 写到下一个映像
  end if
  sync all
end program coarray_demo
​

this_image() 与 num_images() 是基本探针。sync all 是全局同步点：所有映像都执行到这里才继续，避免"我还没写完你就来读"的竞态。协同数组的运行时库负责把远程访问翻译成底层通信（通常就是 MPI），程序员不用碰发送接收。

远程访问与同步

远程访问是一方通信（one-sided）：写方直接寻址目标映像的内存，不需要目标映像参与代码配合。这比 MPI 的成对通信简单得多。代价是同步要靠程序员自己：sync all 全体同步，sync images(list) 只和指定的映像同步。规则就一条：读别人写的数据之前，先同步。忽略同步的后果是竞态与未定义行为——并行 bug 最难查的就是这类。

program halo_exchange
  use iso_fortran_env, only: real64
  implicit none
  real(real64) :: u(0:100)[*]
  integer :: me, nimg

  me = this_image()
  nimg = num_images()
  u = 0.0_real64

  ! 填本地边界，然后与相邻映像交换边界值
  sync all
  if (me > 1)        u(0) = u(100)[me - 1]
  if (me < nimg)     u(100) = u(0)[me + 1]
  sync all
end program halo_exchange
​

这个一维 halo 交换是区域分解的入门操作：每个映像管一段区间，只和邻居换边界。用 MPI 写至少二十行，协同数组五、六行搞定。注意 sync 成对出现——写之前同步确保邻居的数据就绪，读之后同步确保别人能安全读我的。

PGAS 的取舍：省心，但别拿它当万能药

分区全局地址空间（PGAS）模型的核心承诺：全局可见、局部拥有。它的优势是代码简洁、与串行代码结构接近、编译器能利用通信模式做优化。边界也很清楚：一是细粒度的逐元素远程访问会产生大量小消息，通信开销按条计，性能反而不如一次打包的 MPI 传输；二是协同数组运行时在不同编译器的实现成熟度不一，跨编译器移植要测试；三是调试工具对协同数组的支持弱于 MPI，出问题难定位。

选型建议：节点间并行首选协同数组做原型——开发快、可读性好；需要精细控制通信模式、或要对接既有 MPI 生态库时，再回到 MPI。两者还能共存，生产级代码常以 MPI 为主干、局部用协同数组简化热点。

图：PGAS 模型——全局地址空间里的映像与远程访问

编译与运行

协同数组需要编译器开协同数组运行时：gfortran 用 -fcoarray=single（单映像，调试用）或 -fcoarray=lib（多映像，配合 caf 运行时）；ifx 用 -coarray。运行命令类似 MPI：cafrun -n 4 ./program。初学建议先单映像跑通逻辑，再上多映像，别一步到位。同步点越多，通信开销越大，能少同步就少同步。

学习目标

阅读完本节，你应当能够：

1. 解释"映像"概念，说出协同数组声明的方括号语法含义
2. 用协同数组完成一次跨映像的数据写入与读取
3. 说出 sync all 与 sync images 的区别与用途
4. 对比协同数组与 MPI 的适用场景，给出选型依据

本节要点回顾

• 映像是有独立内存的执行实例：[*] 声明"每个映像各有一份"
• 远程访问是一方通信：写目标映像不需要它配合，但同步必须自己负责
• sync all 与 sync images 分工：全体同步与定向同步，读写前都要想清楚
• PGAS 省心但有边界：细粒度通信开销高、工具链不如 MPI 成熟
• 选型看场景：原型与热点简化用协同数组，精细通信与生态对接用 MPI
• 先单映像调试再上多映像：同步点越少越好

节点间搞定了，看节点内——OpenMP 多线程。