Question

应该优化由两个循环（外部和内部）组成的函数 - 理想情况下，用Numpy函数替换Python循环。内循环可以很容易地优化（变量inner_loop），但外循环也可以改变吗？

问题是inner_loop读取向量U，其中一个元素在每个外部循环中被更改。如果我使用匹配的Numpy函数优化外部循环，则“递归”元素（更新U[i]）将丢失。

for i in (y for y in xrange(0, n)):
    inner_loop = -np.sum(self.Y[i, :] * U) + self.Y[i, i] * U[i] + np.conjugate(self.shares[i] / U[i])
    U[i] = U_last[i] + accelerator * (1/self.Y[i,i] * inner_loop - U_last[i])

U是一个向量（n维），U_last和self.shares，Y是一个nxn矩阵，U。对于那些想知道的人来说，它是Gauss-Seidel潮流算法的一部分。

Answer 1

因为你以递归方式构建数组，所以没有。您必须找出另一种不递归的算法，或者将递归部分算出来。

尽管如此，让我们尽力而为。

for i in (y for y in xrange(0, n)):相当于for i in xrange(n)。 y没有任何目的，因为它没有作为名称公开。

使用U更改值的唯一位置是np.sum的传递，因此我们可以通过进行一些预先计算来进行一些简化。

self.Y[i, i] * U[i]可以是Ydiag_times_U[i]，其中Ydiag_times_U = np.diag(Y) * U。
np.conjugate(self.shares[i] / U[i])可以是conjugate_shares_over_U[i]，其中conjugate_shares_over_U = np.conjugate(self.shares/U)。
U_last[i] + accelerator * (1/self.Y[i,i] * inner_loop - U_last[i])可以同样重新排列并制作成U_last_minus_accelerator_times_U_last[i] + accelerator_over_Ydiag[i] * inner_loop，其中愚蠢是

U_last_minus_accelerator_times_U_last[i] = U_last - accelerator * U_last accelerator_over_Ydiag = accelerator/np.diag(self.Y)

进行更改：

Ydiag_times_U = np.diag(Y) * U
conjugate_shares_over_U = np.conjugate(self.shares / U)
inner_silliness = Ydiag_times_U + conjugate_shares_over_U
U_last_minus_accelerator_times_U_last[i] = U_last - accelerator * U_last
accelerator_over_Ydiag = accelerator/np.diag(self.Y)

for i in xrange(n):
    inner_loop = inner_silliness[i] - np.sum(self.Y[i, :] * U)
    U[i] = U_last_minus_accelerator_times_U_last[i] + accelerator_over_Ydiag[i] * inner_loop

这些是较低级别的变化。除此之外，你可以尝试做一些代数来提取递归性。如果您担心效率，请尝试在C中进行循环。

当每个循环读取最后一个循环的结果时优化Python循环

1 个答案: