我正在测试几种不同的算法（用于解决 16x16 数独），使用 timeit 模块测量它们的性能。但是，似乎实际上只计算了第一次 timeit.repeat() 迭代，因为其他迭代变得更快。使用 t.repeat(repeat=10, number=1) 测试单个算法，得到以下结果：
[+] 结果......：solve1（函数1/1）
[+] 最快............：0.00003099
[+] 最慢............： 32.38717794
[+] 平均值*............：0.00003335（平均值计算，不含最小值/最大值）
10 个结果中的第一个总是需要更长的时间才能完成，这似乎只能通过 timeit.repeat() 循环的第 2 到 10 次迭代以某种方式使用循环先前迭代的缓存结果这一事实来解释。当在 for 循环中实际使用 timeit.repeat() 来比较几种算法时，似乎只计算了一次难题的解决方案：
[+] 结果......：solve1（函数 1/3）
[+] 最快............：0.00003099
[+] 最慢............： 16.33443809
[+] 平均*.......: 0.00003263（平均计算没有最小值/最大值）
[+] 结果......：solve2（函数2/3）
[+] 最快............：0.00365305
[+] 最慢............： 0.02915907
[+] 平均值*.........：0.00647599（平均值计算，不含最小值/最大值）
[+] 结果......：solve3（函数3/3）
[+] 最快............：0.00659299
[+] 最慢............： 0.02440906
[+] 平均值*.........：0.00717765（平均值计算，不含最小值/最大值）
真正奇怪的是算法的相对速度（相对于彼此）在整个测量过程中是一致的，这表明所有算法都在计算它们自己的结果。由于大部分中间结果（在计算第一个解决方案时获得）仍然在某种缓存中，由 python 进程保留，因此性能的这种极端提高？
任何帮助/见解将不胜感激。