随着科学研究和生产生活对计算能力的需求不断提高,高性能计算系统已向着E级百亿亿次计算方向迅速发展,但是能耗问题越来越成为限制高性能计算系统发展的重要阻碍,这对硬件系统的体系结构设计和软件系统的执行效率提出了更高的要求。在未来的高性能计算系统中,功率约束将会成为一种常用的节能手段,不同的计算节点、计算任务将按照给定的功率上限运行。作为并行计算常用的编程模型,OpenMP并行程序已广泛地应用在不同的计算场景,研究OpenMP程序在功率约束条件下的运行情况有助于更好地促进高性能计算系统的发展。本文提出一种基于功率约束系统对OpenMP并行程序进行细粒度性能能耗协同优化的策略,该策略通过对程序的并行域设置不同的CPU和DRAM功率上限达到功率约束的目的,同时对程序的性能能耗进行机器学习建模,可以根据实际需要预测不同功率上限设置下程序执行的性能和能耗。基于此策略本文设计实现了一个自动代码优化系统,可以根据不同的优化目标选择出最优的功率配置,对性能能耗进行协同优化,并在源码级别对待优化程序进行修改。本文在实验平台上执行了十二组OpenMP基准测试程序进行训练和预测,对本文提出的策略的优化效果进行验证。与原始程序相比,在以能耗最优为目标的情况下,可以使能耗获得平均9.25%,最高18.75%的下降,而在以能耗延迟积最优为目标的情况下可以在不大幅影响性能的同时使能耗平均降低4.74%,同时获得30.4%的功率下降。实验结果表明,本文提出的优化策略可以在功率约束条件下对OpenMP程序进行功率配置和性能能耗的优化。