1

我正在逐渐从 Matlab 转向 Python，并希望获得一些关于优化迭代循环的建议。这就是我当前运行循环的方式，对于信息，我已经包含了定义变量的代码。

nh = 2000 
h = np.array(range(nh))
nt = 10000 
wmin = 1 
wmax = 10
hw = np.array(wmin + (wmax-wmin)*invlogit(randn(1,nh))); 
sl = np.array(zeros((nh,1))+radians(40))
fa = np.array(zeros((nh,1))+radians(35))
c = np.array(zeros((nh,1))+4.4)
y = np.array(zeros((nh,1))+17.6)
yw = np.array(zeros((nh,1))+9.81)
ir = 0.028
m = np.array(zeros((nh,nt)));
m[:,49] = 0.1
z = np.array(zeros((nh,nt)))
z[:,0] = 0+(3.0773-0)*rand(nh,1).T
reset = np.array(zeros((nh,nt)))
fs = np.array(zeros((nh,nt)))

for t in xrange(0, nt-1):
    fs[:,t] = (c.T+(y.T-m[:,t]*yw.T)*z[:,t]*(np.cos(sl.T)**2)*np.tan(fa.T))/(y.T*z[:,t]*np.sin(sl.T)*np.cos(sl.T))
    reset[fs[:,t]<=1,t+1] = 1;
    z[fs[:,t]<=1,t+1] = 0;
    z[fs[:,t]>1,t+1] = z[fs[:,t]>1,t]+(ir/hw[0,fs[:,t]>1]).T

这就是我在 Matlab 中优化代码的方式，但是它在 python 中运行得相当慢。我怀疑有一种更蟒蛇的方式来做到这一点，并且非常感谢朝着正确的方向轻推。非常感谢！

4

2 回答 2

0

不是专门关于循环的，你在调用中做了很多额外的工作，看起来像：

np.array(zeros((nh,nt)))

只需使用：

np.zeros((nh,nt))

在它的位置。此外，您可以替换：

h = np.array(range(nh))

和：

h = np.arange(nh)

其他的建议：

  • 尽管您np.sin(sl.T)*np.cos(sl.T)在每个循环中都进行了调用，但sl似乎根本没有改变。只需计算一次并将其分配给您在循环中使用的变量。您在一堆触发调用中执行此操作。
于 2013-06-03T17:27:34.297 回答
0

表达方式

(c.T+(y.T-m[:,t]*yw.T)*z[:,t]*(np.cos(sl.T)**2)*np.tan(fa.T))/(y.T*z[:,t]*np.sin(sl.T)*np.cos(sl.T))

c, y, m, yw, sl, fa在循环内不会改变的用途。您可以在循环之前计算几个子表达式。

此外，这些数组中的大多数都包含一个重复值。您可以改为使用标量计算：

sl = radians(40)
fa = radians(35)
c = 4.4
y = 17.6
yw = 9.81

然后，使用预先计算的子表达式：

A = cos(sl)**2 * tan(fa) * (y - m*yw)
B = y*sin(sl)*cos(sl)

for t in xrange(0, nt-1):
    fs[:,t] = (c + A[:,t]*z[:,t]) / (B*z[:,t])
    less = fs[:,t]<=1
    more = np.logical_not(less)
    reset[less,t+1] = 1
    z[less,t+1] = 0
    z[more,t+1] = z[more,t]+(ir/hw[0,more]).T
于 2013-06-03T17:41:32.653 回答