本文例子处代码块由于行宽不够，可能会对读者造成不便，可以将文本内容复制到notepad或者是visual studio code中查看，敬请谅解。
OpenMP的特长就在于并行循环。我们知道下面这段代码可以启用并行：
#pragma omp parallel for
for ( ... )
{ ... }
OpenMP对于并行化循环，会创建一个线程池，然后把for循环里的运算分配给线程。这里的运算是指一轮for循环(循环下标+1)。
Scheduling
接下来我们来讨论一下程序员如何决定一个循环的scheduling类型。
Explicit
如果有一个显式schedule子句:
#pragma omp parallel for schedule(scheduling-type)
for (...)
{ ... }
那么OpenMP就会使用scheduling-type来设定for loop的并行方式。
scheduling-type包括：
staticdynamicguidedautoruntime
我们会在后面详细讨论。
Runtime
如果scheduling-type（在宏定义里）是runtime，那么OpenMP将会调用系统设定的run-sched-var来决定schedule类型。设定OpenMP中的run-sched-var由两种方法：
- 我们可以通过设定环境变量
OMP_SCHEDULE来设定run-sched-var。
例如我们在bash-like的终端里输入
$ export OMP_SCHEDULE=scheduling-type
来设定环境变量OMP_SCHEDULE。
- 另外我们也可以在自己程序里调用函数设定：
...
omp_set_schedule(scheduling-type);
...
Default
如果没有显式指定schedule子句
#pragma omp parallel for
for (...)
{ ... }
那么OpenMP使用Default scheduling模式。具体使用的类型将由OpemMP内部变量def-shed-var决定
The scheduling types
正如前面提到过的，一共有五种scheduing类型
scheduling-type包括：
staticdynamicguidedautoruntime
Static
schedule(static, chunk-size)子句指定了for循环使用static schedule模式。OpenMP把for的总共次数划分成一个个小块(chunks)，chunk-size规定了每个线程一次执行多少次for循环。
如果没有指定chunk-size，OpenMP将会把for的迭代分成近乎相同的块，然后尽量给每个线程分配连续的一次运算。
举个例子：
schedule(static): --no chunk-size parameter
****************
****************
****************
****************
schedule(static, 4):
**** **** **** ****
**** **** **** ****
**** **** **** ****
**** **** **** ****
schedule(static, 8):
******** ********
******** ********
******** ********
******** ********
对于这个例子，简单来说我们想要并行一个64次的循环，我们有4个线程。在上面的代码块里，每一行代表一个线程，每个*富豪代表一次循环。
在第一个代码块(对应schedule(static))里，第一个线程运行了16次循环，假设for循环里的循环变量为i，这16次循环对应了i=0,1,2,...15，同理，第二个线程运行了i=16,17,18,19...31
其他两个以此类推，每个线程执行的分别是四个连续的循环和8个连续的循环，类似i=0,1,2,3,8,9,10,11...
如果每个循环都有相同的计算时间的话，换言之，如果循环的计算和循环变量的增加没关系的话，使用static可以减小额外开销（overhead）。
Dynamic
schedule(dynamic, chunk-size)子句指定for loop有动态的scheduling type，OpenMP将会根据chunk-size划分运算块。每个块先运行OpenMP给分配好的一个chunk，运行完以后OpenMP将再次分配。直到没有剩余块
这意味着在运行程序前，我们无法预知线程和某次循环的对应关系，每次运行线程执行的顺序都会改变。
chunk-size默认为1.
例子：
schedule(dynamic): * ** ** * * * * * * ** * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * ** * * * * *
schedule(dynamic, 1):
* * * * * * * * * * * * * *
* * * * * * * * * * * * *** * * *
* * * * * ** * * * * * * * * * *
* * * ** * * * * * * * * * *
schedule(dynamic, 4):
**** **** ****
**** **** **** **** ****
**** **** **** **** ****
**** **** ****
schedule(dynamic, 8):
******** ********
******** ********
******** ******** ********
********
可以发现前两种schedule是一致的。后面两种OpenMP分别给每个线程4或者8个大小的块，每个线程运行循环数量不一定相同。
动态scheduling type适用于在已知不同的iteration会有不同的时间消耗(cost)。交给OpenMP来处理负载可能比人手动会高效一些。但是动态分配的过程会显著提升overhead.
Guided
guided和dynamic非常相似。对于guided, OpenMP依然是将多次循环分成一个个块，每个线程执行块，执行结束后再次向OpenMP索要新块，直到没有新块。
guided和dynamic的区别在于块的大小，dynamic里块的大小是固定的，guided的块的大小会调整为剩余迭代的次数和线程数之比。随着程序的运行，块的大小会越来越小。
我们可以使用chunk-size参数来规定guided最小块的大小。但是，最后一次迭代可能会小于chunk-size.
chunk-size默认为1
schedule(guided, 4):
*******
************ **** ****
*********
**************** ***** **** ***
schedule(guided, 2):
************ **** **
******* *** **
*********
**************** ***** ** **
schedule(guided):
********* *
************ ******* ***
******* *
**************** ***** ** *
schedule(guided, 8):
************ ******** ***
****************
********
********* ********
这里一共有64次迭代，最开始，系统给每个线程分配16次迭代(16=64/4,64次迭代，4个线程)，之后再分配是12（12=(64-16)/4）次，依次类推。
Guided适用于每次迭代时间消耗不同的情况。并且由于最开始块很大，所以会减少overhead。
Auto
这种情况下OpenMP自动给定scheduling类型。