我需要解决类似于方程Ax = b的问题，其中A是一个非常大（但稀疏）的矩阵。 （它的稀疏度为97％;但其大小约为1,000,000,000 x 33,000,000）
没有陷入不必要的细节，解决方案实际上是一个迭代解决方案，其中一个“猜测X”，然后一个插回猜测的“X”回到方程，评估它，然后重新确定“X的下一个版本”。矩阵A和向量“b”在这些迭代中不改变。 （可能有1,000到100,000次迭代）。
我关心的是如何以这样的方式编写这个迭代逻辑，即我们不会在每次迭代中继续复制矩阵A（甚至是向量B）。 （理论上，甚至向量“x”也不需要在每次迭代中重新实例化，但是成本非常小。）如果这是一个单线程应用程序，那么实现逻辑非常容易。但我不确定如何在数据流架构中有效地做到这一点。 （我本能地觉得也许“侧面输入”在这里可能会有所帮助;或者，不是传递矩阵A的部分来回并重新复制数据，也许只是传递指向对象的指针？）
答案 0 :(得分：1)
通常，您最终会复制数据，因为不同的工作人员在不同时间需要不同部分的整体数据。 如果您可以将整体问题分解为足够小的部分，每个部分都可以在内存中进行迭代，那么您可以降低通信成本。此外，如果可以将每次迭代表示为增量更新，使得delta甚至比数据更稀疏，那么您也可以改进。