我开发了一个应用程序,它模拟N个在网格中移动的机器人,它试图在有限的步骤中最大化访问的网格单元的数量,在目标点相遇。一切正常,但速度太慢了。目前是python+numpy+mathplotlib。
最大的机器人可以有一个 100 的软限制(如果它可以变得更高,那就太好了)。
为此,我执行以下简化操作:
while steps > 0:
for robot in robots:
agent.calc(robot,steps)
机器人是一个 1x2 numpy 数组(x 和 y 坐标)。
这里的代理决定做什么。由于我需要即时切换战术和策略,我无法改变这个逻辑。
代理计算一个接一个地更新机器人。
cProfiling 它返回以下. 提取顶部
39014272 function calls (39010490 primitive calls) in 150.314 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
12417735 62.807 0.000 62.807 0.000 distance.py:8(taxicab_distance)
124596 36.882 0.000 36.882 0.000 {numpy.core.multiarray.array}
113657 30.204 0.000 100.800 0.001 logical_agent.py:16(choose_max_distance_to...)
12417013 6.579 0.000 69.384 0.000 squaregrid.py:30(distance)
113700 2.900 0.000 109.769 0.001 logical_agent.py:73(calc)
11652363 2.625 0.000 2.625 0.000 {method 'append' of 'list' objects}
161849 1.653 0.000 1.653 0.000 distance.py:11(euclidean_distance)
113664 1.632 0.000 1.632 0.000 {sorted}
114834 1.185 0.000 1.185 0.000 {method 'keys' of 'dict' objects}
113700 0.695 0.000 1.134 0.000 squaregrid.py:19(neighbours)
我为机器人实现了不同的环境,最重要的是squaregird。每个环境都有自己的距离函数,因为我打算使用不同的度量,即曼哈顿/出租车和欧几里得。我将距离函数提取到自己的distance.py文件中,因为我多次使用它。
可以看到taxcab_distance被调用了很多,因为agent需要评估一个机器人四个邻居和它自己到一个目标点的距离,看看下一个位置是否仍然可以到达目标,并最大化与所有其他机器人的距离作为一个优化启发式。
该功能没有做任何花哨的事情,只是
def taxicab_distance(u, v):
return np.abs(u[0] - v[0]) + np.abs(u[1] - v[1])
我知道 python 有相当高的函数调用开销,我认为这会影响性能。{ numpy.core.multiarray.array }忽略,我想我知道我在那里做错了什么。
距离呼叫链:代理 -> environment.distance -> taxcab_distance
问题是,如何减少调用函数的开销?我强烈考虑使用 pythons c 扩展性,cython,更具体。它会起作用吗?这么慢还有其他原因吗?