我想創建一個用于多智能體模擬的程式，我正在考慮是否應該使用 NumPy 或 numba 來加速計算。基本上，我需要一個類來存盤代理的狀態，并且我將擁有超過 1000 個此類的實體。在每個時間步，我將對所有實體執行不同的計算。我正在考慮兩種方法：
Numpy矢量化：
有 1 個具有多個 NumPy 陣列的類，用于存盤所有代理的狀態。因此，在模擬程序中，我始終只有 1 個類實體。通過這種方法，我可以簡單地使用 NumPy 向量化來執行計算。但是，這將使特定代理的運行功能變得困難，我需要一個額外的類來存盤每個代理的索引。
Class agent:
def __init__(self):
self.A = np.zeros(1000)
self.B = np.zeros(1000)
def timestep(self):
return self.A self.B
Numba jit 類：
使用 numba jitclass 裝飾器編譯代碼。使用這種方法，我可以應用更標準的 OOP 格式代碼，因為一個類實體代表一個代理。但是，我不確定回圈通過多個 jitclass 實體（比如 1000 和更多）的性能。
@jitclass
class agent:
def __init__(self):
self.A = 0
self.B = 0
def timestep(self):
return self.A self.B
我想知道哪種方法更快。
uj5u.com熱心網友回復：
這個問題被稱為“AoS VS SoA”，其中 AoS 表示結構陣列，SoA 表示陣列結構。您可以在此處找到有關此的一些資訊。SoA 的用戶友好性不如 AoS，但通常效率更高。當您的代碼可以從使用SIMD 指令中受益時尤其如此. 當您處理許多大陣列（例如 >=8 個大陣列）或執行許多標量隨機記憶體訪問時，AoS 和 SoA 都不是有效的。在這種情況下，最好的解決方案是使用小陣列結構的陣列 (AoSoA)，以便更好地使用 CPU 快取，同時仍然能夠從 SIMD 中受益。然而，AoSoA 是繁瑣的，因為復雜性對于非平凡演算法的代碼非常重要。請注意，訪問的欄位數量在選擇最佳解決方案時也很重要（例如，如果經常讀取一個欄位，那么 SoA 是完美的）。
部分原因是，在性能方面，OOP 通常相當糟糕。另一個原因是經常使用虛擬呼叫和多型性，但并不總是需要它。OOP 代碼往往會導致大量快取未命中，并且優化大量使用 OOP 的大型代碼通常是一團糟（這有時會導致重寫目標軟體的很大一部分或代碼變得非常慢）。為了解決這個問題，可以使用面向資料的設計。這種方法已成功地用于大幅加速從視頻游戲（例如Unity）到 Web 瀏覽器渲染器（例如Chrome ）的大型代碼庫) 甚至關系資料庫。在高性能計算 (HPC) 中，OOP 通常很少使用。面向物件的設計與使用 SoA 而不是 AoS 有很大關系，因此可以更好地使用快取并從 SIMD 中受益。有關更多資訊，請閱讀此相關帖子。
最后，我建議您在您的情況下使用第一個代碼（SoA）（因為您只有兩個陣列并且它們不是那么大）。
轉載請註明出處，本文鏈接：https://www.uj5u.com/qiye/424185.html
上一篇：將特征添加到必須使用轉換公式映射其分類值的“數字”資料集
下一篇：更改np陣列Python中的值