对于我正在执行的monte-carlo计算,我有以下循环:
以下变量是预先计算/填充的,定义为:
w_ = std::vector<std::vector<double>>(150000, std::vector<double>(800));
C_ = Eigen::MatrixXd(800,800);
Eigen::VectorXd a(800);
Eigen::VectorXd b(800);
while循环花了我大约570秒来计算。只是循环我知道我有nPaths * m = 150,000 * 800 = 120,000,000套计算发生(我没有考虑到cdf计算处理通过boost库)。
我是一个低于平均水平的程序员,并且想知道我是否有任何明显的错误,这可能会减慢计算速度。或者是否有任何其他方法来处理可以加快速度的计算。
int N(0);
int nPaths(150000);
int m(800);
double Varsum(0.);
double err;
double delta;
double v1, v2, v3, v4;
Eigen::VectorXd d = Eigen::VectorXd::Zero(m);
Eigen::VectorXd e = Eigen::VectorXd::Zero(m);
Eigen::VectorXd f = Eigen::VectorXd::Zero(m);
Eigen::VectorXd y;
y0 = Eigen::VectorXd::Zero(m);
boost::math::normal G(0, 1.);
d(0) = boost::math::cdf(G, a(0) / C_(0, 0));
e(0) = boost::math::cdf(G, b(0) / C_(0, 0));
f(0) = e(0) - d(0);
while (N < (nPaths-1))
{
y = y0;
for (int i = 1; i < m; i++)
{
v1 = d(i - 1) + w_[N][(i - 1)]*(e(i - 1) - d(i - 1));
y(i - 1) = boost::math::quantile(G, v1);
v2 = (a(i) - C_.row(i).dot(y)) / C_(i, i);
v3 = (b(i) - C_.row(i).dot(y)) / C_(i, i);
d(i) = boost::math::cdf(G, v2);
e(i) = boost::math::cdf(G, v3);
f(i) = (e(i) - d(i))*f(i - 1);
}
N++;
delta = (f(m-1) - Intsum) / N;
Intsum += delta;
Varsum = (N - 2)*Varsum / N + delta*delta;
err = alpha_*std::sqrt(Varsum);
}
答案 0 :(得分:1)
如果我理解您的代码正确,则运行时间实际为O(nPaths*m*m)=10^11
,因为点积C_.row(i).dot(y)
需要O(m)
操作。
通过不计算两次计算,你可以将程序加速两倍:
double prod=C_.row(i).dot(y)
v2 = (a(i) - prod) / C_(i, i);
v3 = (b(i) - prod) / C_(i, i);
但也许编译器已经为你做了。
另一件事是y
由零组成(至少在开头),因此您不必执行完整的点积,而只需要当前值i
。这应该会加快另一个因素2。
因此,考虑到你的时间并不是那么糟糕的操作数量。代码有一些改进的空间,但如果你有兴趣加快一些数量级,你可能应该考虑改变你的配方。