12

Python 3 で Sugarscape エージェント シミュレーション モデルの一部を複製しています。私のコードのパフォーマンスは、NetLogo のパフォーマンスよりも 3 倍遅いことがわかりました。それは私のコードに問題がある可能性がありますか、それとも Python の固有の制限である可能性がありますか?

明らかに、これはコードの一部にすぎませんが、Python が実行時間の 3 分の 2 を費やすのはこの部分です。私が本当に非効率的なものを書いた場合、それがこのフラグメントに現れることを願っています:

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)

NetLogo のほぼ同等のコード(このフラグメントは、上記の Python 関数よりも少し多くのことを行います):

; -- 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

私のコンピューターでは、Python コードが 1000 ステップを実行するのに 15.5 秒かかります。同じラップトップで、ブラウザ内の Java で実行されている NetLogo シミュレーションは、1000 ステップを 6 秒未満で完了します。

EDIT：Java実装を使用して、Repastをチェックしました。また、NetLogo とほぼ同じ 5.4 秒です。最近の Java と Python の比較では、Java には何の利点もないように思われます。

編集: MASONは Repast よりもさらに高速であると考えられていますが、それでも最終的に Java を実行していることは理解しています。

4

4 に答える 4

11

これはおそらく劇的なスピードアップにはなりませんが、グローバル変数や属性にアクセスする場合と比較して、Pythonではローカル変数の方がかなり高速であることに注意してください。したがって、次のように、内部ループで使用されるいくつかの値をローカルに割り当ててみることができます。

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)

occupiedPythonの関数呼び出しも（Javaと比較して）比較的高いオーバーヘッドがあるため、関数を直接辞書ルックアップに置き換えることで、さらに最適化を試みることができます。

psycoもご覧ください。これはPython用のジャストインタイムコンパイラであり、場合によっては劇的な速度の向上をもたらすことができます。ただし、Python 3.xはまだサポートされていないため、古いバージョンのPythonを使用する必要があります。

于 2011-02-05T08:57:18.533 に答える
4

NetLogo で実装されている方法neighborhoodは、あなたが持っている二重ループとは異なると思います。具体的には、次のような近傍ベクトルを事前に計算していると思います

n = [ [0,1],[0,-1],[1,0],[-1,0]....]

（vision = 1、2、...には別のものが必要です）そして、nあなたがしているようなネストされたループの代わりに、1つのループだけを使用してください。これにより、乗算の必要がなくなります。

これで3倍のスピードアップが得られるとは思いません。

于 2011-02-05T12:54:10.480 に答える
3

これは古い質問ですが、操作を高速化するために NumPy の使用を検討することをお勧めします。論理的に編成された dict とリスト (1、2、3、または N 次元グリッド) を使用する場所 同種のデータ オブジェクト (すべての整数、またはすべての float など) は、Numpy として表現およびアクセスすると、オーバーヘッドが少なくなります。配列。

http://numpy.org

于 2013-01-28T22:30:22.650 に答える