我正在研究一个模拟矩阵矢量产品的代码。在此代码中，我们明确计算了向量A x，但我们无法访问完整矩阵A，因为dim通常非常大，因此整个矩阵{{1无法存储在内存中。
通过做一些时间，我们已经确定以下循环大约需要4秒钟才能完成。 A是自定义类的一个实例，基本上是string的包装，而unsigned long是matvec。
Eigen::VectorXd在尝试确定此循环的瓶颈时，我们尝试了各种各样的操作，例如优化// Off-diagonal contributions
for (size_t I = 0; I < dim; I++) {
for (size_t p = 0; p < K; p++) {
if (string.isOccupied(p)) { // p in I
for (size_t q = 0; q < p; q++) {
if (!string.isOccupied(q)) {
string.annihilate(p);
string.create(q);
size_t J = string.address();
matvec(I) += value(p,q) * x(J);
matvec(J) += value(p,q) * x(I);
string.annihilate(q);
string.create(p);
}
} // q < p loop
}
} // p loop
string.nextPermutation();
}
和annihilate调用，但这些调用效果不大。但是，当我们对没有更新create值的代码计时时，即
Eigen::VectorXd循环现在只需0.2秒。 由此我们推断出瓶颈实际上是在生成的向量中添加正确的值。 参见编辑
使用C ++ Eigen库有没有更快的方式进行// Off-diagonal contributions
for (size_t I = 0; I < dim; I++) {
for (size_t p = 0; p < K; p++) {
if (string.isOccupied(p)) { // p in I
for (size_t q = 0; q < p; q++) {
if (!string.isOccupied(q)) {
string.annihilate(p);
string.create(q);
size_t J = string.address();
string.annihilate(q);
string.create(p);
}
} // q < p loop
}
} // p loop
string.nextPermutation();
}
调用？
编辑：我已经做了一些更好的时机，受到@PeterT和@ chtz评论的启发，我发现matvec(I) += value(p,q) * x(J)语句大约 30％在+=循环中花费的所有时间，而其他部分都占用了剩余时间的相同比例。
所以，问题仍然存在：for和matvec(I) += value(p,q) * x(J)如何加速？