OpenMP 的 #pragma omp parallel for 仅适用于整型循环变量、无数据依赖、无可重入问题且迭代数远超线程数的计算密集型循环；需用 reduction 或 private 避免数据竞争。
OpenMP 在 C++ 中不是“开启就能加速”的银弹，它只对可并行化、计算密集且无强依赖的循环有效；盲目加 #pragma omp parallel for 可能变慢，甚至引发数据竞争。
什么时候该用 #pragma omp parallel for
这个指令只适用于满足以下全部条件的 for 循环：
- 循环变量是整型，步长为常量（如
i++或i += 2） - 每次迭代完全独立，不读写其他迭代的同一内存位置（比如没有
a[i] = a[i-1] + 1这类依赖） - 循环体不含不可重入函数（如老式
rand()）、全局状态修改或 I/O 操作 - 迭代次数远大于线程数（否则线程创建/调度开销压倒收益）
典型适用场景：向量加法、矩阵乘法局部计算、图像像素逐点处理、蒙特卡洛采样。
reduction 和 private 是避免崩溃的关键
共享变量被多个线程同时写入会导致未定义行为——最常见错误是直接在并行循环里累加：sum += a[i]。必须显式声明归约或私有化：
立即学习“C++免费学习笔记（深入）”；
#pragma omp parallel for reduction(+:sum)
for (int i = 0; i < n; ++i) {
sum += a[i]; // 安全：每个线程算局部和，最后自动合并
}
若变量只需每线程一份副本（如临时缓冲区、随机数生成器状态），用 private：
