Boost.Asio的主要目的是为 网络@H_404_4@ 和 I / O编程@H_404_4@ 提供异步模型，您描述的问题似乎与网络和I / O无关。
我认为最简单的解决方案是使用Boost或C ++标准库提供的 线程原语@H_404_4@ 。
这是accumulate仅使用标准库创建的并行版本的示例。
/* Minimum number of elements for multithreaded algorithm.
Less than this and the algorithm is executed on single thread. */
static const int MT_MIN_SIZE = 10000;
template <typename InputIt, typename T>
auto parallel_accumulate(InputIt first, InputIt last, T init) {
// Determine total size.
const auto size = std::distance(first, last);
// Determine how many parts the work shall be split into.
const auto parts = (size < MT_MIN_SIZE)? 1 : std::thread::hardware_concurrency();
std::vector<std::future<T>> futures;
// For each part, calculate size and run accumulate on a separate thread.
for (std::size_t i = 0; i != parts; ++i) {
const auto part_size = (size * i + size) / parts - (size * i) / parts;
futures.emplace_back(std::async(std::launch::async,
[=] { return std::accumulate(first, std::next(first, part_size), T{}); }));
std::advance(first, part_size);
}
// Wait for all threads to finish execution and accumulate results.
return std::accumulate(std::begin(futures), std::end(futures), init,
[] (const T prev, auto& future) { return prev + future.get(); });
}
[**Live example**](http://coliru.stacked-crooked.com/a/4807261d61b7a726) （并行版本的性能与Coliru上的顺序版本大致相同，可能只有1个内核可用）
在我的机器上（使用8个线程），并行版本平均提高了约120％的性能。
顺序求和： 花费时间：46毫秒 5000000050000000 -------------------------------- 并行和： 花费时间：21毫秒 5000000050000000
但是，100,000,000个元素的绝对增益仅为边际（25 ms）。虽然，当累积不同类型的元素时，性能提升可能会大于int。
正如@sehe在评论中所提到的，值得一提的是 OpenMP@H_404_4@ 可以为该问题提供简单的解决方案，例如
template <typename T, typename U>
auto omp_accumulate(const std::vector<T>& v, U init) {
U sum = init;
#pragma omp parallel for reduction(+:sum)
for(std::size_t i = 0; i < v.size(); i++) {
sum += v[i];
}
return sum;
}
在我的机器上，此方法的执行效果与使用标准线程基元的并行方法相同。
顺序求和： 花费时间：46毫秒 5000000050000000 -------------------------------- 并行求和： 花费时间：21毫秒 求和：5000000050000000 -------------------------------- OpenMP总和： 花费时间：21毫秒 总和：5000000050000000
602392714
清零编程群