Question

我有一个复杂的有限差分模型，它是用python编写的，使用与下面的示例代码相同的通用结构。它有两个for循环，每个迭代一个循环，然后在每个迭代中，沿x数组的每个位置循环。目前代码需要两个长时间运行（可能是由于for循环）。是否有一个简单的技术使用numpy删除第二个for循环？

以下是我使用的一般结构的简单示例。

import numpy as np

def f(x,dt, i):
   xn = (x[i-1]-x[i+1])/dt # a simple finite difference function
   return xn

x = np.linspace(1,10,10) #create initial conditions with x[0] and x[-1] boundaries
dt = 10 #time step
iterations = 100 # number of iterations

for j in range(iterations):
    for i in range(1,9): #length of x minus the boundaries
        x[i] = f(x, dt, i) #return new value for x[i]

有没有人对如何提高效率有任何想法或意见？

谢谢，

罗宾

Answer 1

对于初学者来说，这种结构的微小改变可以将效率提高大约15％。如果这个代码可以进一步优化但我很可能在函数内部算法，即简化数组元素操作的某种方法，我不会感到惊讶。使用发电机也可能有所帮助。

import numpy as np
import time

time0 = time.time()


def fd(x, dt, n):  # x is an array, n is the order of central diff
    for i in range(len(x)-(n+1)):
        x[i+1] = (x[i]-x[i+2])/dt # a simple finite difference function
    return x


x = np.linspace(1, 10, 10)  # create initial conditions with x[0] and x[-1] boundaries
dt = 10 # time step
iterations = 1000000 # number of iterations

for __ in range(iterations):
        x = fd(x, dt, 1)
print(x)

print('time elapsed: ', time.time() - time0)

加速有限差分模型

1 个答案: