通过并发提高仿真性能

Question

在包含Doubles的集合（为简单起见，称为列表）的数据结构上考虑此顺序过程。只要我愿意，请执行：

1. 从结构中随机选择两个不同的列表
2. 根据这些列表计算统计数据
3. 根据该统计信息翻转硬币
4. 根据掷硬币的结果，可能会修改其中一个列表

目标是最终实现收敛，因此“解决方案”在迭代次数上是线性的。可以在SO问题here中看到此过程的实现，这是一个直观的可视化：



似乎可以更好地执行此过程 - 也就是说，通过使用多个工作程序在不同的OS线程上并发执行，可以更快地实现收敛，例如：



我想一个完美实现的应该能够在 O（n / P）时间内实现解决方案，对于 P 可用的计算资源数量

阅读Haskell并发性让我的头脑旋转了MVar，TVar，TChan，acid-state等术语。似乎很清楚的是并发实现这个程序看起来与the one I linked above非常不同。但是，程序本身似乎基本上是一个非常温和的算法，基本上是一个内存数据库，这是一个我以前确定有人遇到过的问题。

我猜我将不得不使用某种支持相当随机访问的可变并发数据结构（即随机空闲元素）＆amp;修改。当我试图将所有可能需要的东西拼凑在一起以提高性能时（例如，STM看起来很可疑），我有点迷失。

如果目标是对顺序实现的性能提升，那么哪种数据结构，并发性概念等适用于此类任务？

Answer 1

保持简单：

• forkIO用于轻量级，超便宜的线程。
• MVar，用于快速，线程安全的共享内存。
• 和相应的序列类型（可能是vector，如果你只是前缀可能是列表）
• 一个很好的stats包
• 和快速随机数源（例如mersenne - random-pure64）

您可以稍后尝试更高级的东西。对于原始性能，首先要保持简单：保持锁定数量（例如每个缓冲区一个）;确保编译代码并使用线程运行时（ghc -O2），你应该有一个良好的开端。

RWH有一个介绍并发Haskell cover the basics的章节。