我在Python 3中复制了一小块Sugarscape代理仿真模型。我发现我的代码性能比NetLogo慢约3倍。它可能是我的代码的问题,还是它可能是Python的固有限制?
显然,这只是代码的一个片段,但是Python花费了三分之二的运行时间。我希望如果我写了一些非常低效的东西,它可能会出现在这个片段中:
UP = (0, -1)
RIGHT = (1, 0)
DOWN = (0, 1)
LEFT = (-1, 0)
all_directions = [UP, DOWN, RIGHT, LEFT]
# point is just a tuple (x, y)
def look_around(self):
max_sugar_point = self.point
max_sugar = self.world.sugar_map[self.point].level
min_range = 0
random.shuffle(self.all_directions)
for r in range(1, self.vision+1):
for d in self.all_directions:
p = ((self.point[0] + r * d[0]) % self.world.surface.length,
(self.point[1] + r * d[1]) % self.world.surface.height)
if self.world.occupied(p): # checks if p is in a lookup table (dict)
continue
if self.world.sugar_map[p].level > max_sugar:
max_sugar = self.world.sugar_map[p].level
max_sugar_point = p
if max_sugar_point is not self.point:
self.move(max_sugar_point)
大致相当code in NetLogo(这个片段比上面的Python函数多一点):
; -- The SugarScape growth and motion procedures. --
to M ; Motion rule (page 25)
locals [ps p v d]
set ps (patches at-points neighborhood) with [count turtles-here = 0]
if (count ps > 0) [
set v psugar-of max-one-of ps [psugar] ; v is max sugar w/in vision
set ps ps with [psugar = v] ; ps is legal sites w/ v sugar
set d distance min-one-of ps [distance myself] ; d is min dist from me to ps agents
set p random-one-of ps with [distance myself = d] ; p is one of the min dist patches
if (psugar >= v and includeMyPatch?) [set p patch-here]
setxy pxcor-of p pycor-of p ; jump to p
set sugar sugar + psugar-of p ; consume its sugar
ask p [setpsugar 0] ; .. setting its sugar to 0
]
set sugar sugar - metabolism ; eat sugar (metabolism)
set age age + 1
end
在我的计算机上,Python代码需要15.5秒才能运行1000步;在同一台笔记本电脑上,浏览器内部用Java运行的NetLogo仿真在不到6秒的时间内完成了1000步。
编辑:刚刚使用Java实现检查了Repast。它也与NetLogo大约相同,为5.4秒。 Java和Python之间的Recent comparisons表明Java没有优势,所以我想这只是我的代码应该归咎于什么?
编辑:我理解MASON应该比Repast更快,但它最终仍然运行Java。答案 0 :(得分:11)
这可能不会带来显着的加速,但你应该知道,与访问全局变量或属性相比,Python中的局部变量要快得多。因此,您可以尝试将内部循环中使用的一些值分配给本地,如下所示:
def look_around(self):
max_sugar_point = self.point
max_sugar = self.world.sugar_map[self.point].level
min_range = 0
selfx = self.point[0]
selfy = self.point[1]
wlength = self.world.surface.length
wheight = self.world.surface.height
occupied = self.world.occupied
sugar_map = self.world.sugar_map
all_directions = self.all_directions
random.shuffle(all_directions)
for r in range(1, self.vision+1):
for dx,dy in all_directions:
p = ((selfx + r * dx) % wlength,
(selfy + r * dy) % wheight)
if occupied(p): # checks if p is in a lookup table (dict)
continue
if sugar_map[p].level > max_sugar:
max_sugar = sugar_map[p].level
max_sugar_point = p
if max_sugar_point is not self.point:
self.move(max_sugar_point)
Python中的函数调用也具有相对较高的开销(与Java相比),因此您可以通过使用直接字典查找替换occupied
函数来尝试进一步优化。
您还应该看看psyco。它是Python的即时编译器,可以在某些情况下显着提高速度。但是,它还不支持Python 3.x,因此您需要使用旧版本的Python。
答案 1 :(得分:4)
我猜想在NetLogo中实现neighborhood
的方式与你所拥有的双循环不同。具体来说,我认为他们预先计算了像
n = [ [0,1],[0,-1],[1,0],[-1,0]....]
(你需要一个不同的视觉= 1,2,...),然后在n
上使用一个循环,而不是像你正在做的那样使用嵌套循环。这消除了乘法的需要。
我认为这不会让你获得3倍的加速。
答案 2 :(得分:3)
这是一个老问题,但我建议您考虑使用NumPy来加速您的运营。您使用以逻辑方式组织的dicts和列表(1,2,3或N维网格)同源数据对象(所有整数或所有浮点数等)的位置在表示和访问Numpy时将具有更少的开销阵列。
答案 3 :(得分:3)
这是NetLogo和Repast的一个版本的相对最新比较。我不一定认为Repast更快。 NetLogo似乎包含一些非常智能的算法,可以弥补它的成本。 http://condor.depaul.edu/slytinen/abm/Lytinen-Railsback-EMCSR_2012-02-17.pdf