С++ MPI, используя несколько узлов, сначала уменьшите на уровне узла, затем уменьшите до головного узла

Я использую кластер Windows HPC с 12 узлами (каждый с 24 ядрами) для запуска программы C++ MPI (используйте Boost MPI). Один запуск с уменьшением MPI, одно уменьшение MPI с комментарием (только для теста скорости). Время выполнения 01:17:23 и 01:03:49. Мне кажется, что сокращение MPI занимает большую часть времени. Я думаю, что стоит попробовать сначала уменьшить на уровне узла, а затем уменьшить до головного узла, чтобы повысить производительность.

Ниже приведен простой пример для тестирования. Предположим, есть 4 компьютерных узла, каждый из которых имеет 2 ядра. Я хочу сначала использовать mpi для уменьшения на каждом узле. После этого сведите к головному узлу. Я не совсем знаком с mpi, и приведенная ниже программа дает сбой.

#include <iostream>
#include <boost/mpi.hpp>
namespace mpi = boost::mpi;
using namespace std;

int main()
{
  mpi::environment env;
  mpi::communicator world;

  int i = world.rank();


  boost::mpi::communicator local = world.split(world.rank()/2); // total 8 cores, divide in 4 groups
  boost::mpi::communicator heads = world.split(world.rank()%4);

  int res = 0;

  boost::mpi::reduce(local, i, res, std::plus<int>(), 0);
  if(world.rank()%2==0)
  cout<<res<<endl;
  boost::mpi::reduce(heads, res, res, std::plus<int>(), 0);

  if(world.rank()==0)
      cout<<res<<endl;

  return 0;
}

Вывод неразборчив, что-то вроде этого

Z
h
h
h
h
a
a
a
a
n
n
n
n
g
g
g
g
\
\
\
\
b
b
b
b
o
o
o
o
o
o
o
o
s
...
...
...

Сообщение об ошибке

Test.exe ended prematurely and may have crashed. exit code 3

Я подозреваю, что сделал что-то не так с разделением/или сокращением группы, но не могу понять это с помощью нескольких испытаний. Как мне изменить, чтобы это работало? Спасибо.