1

下面是说明我的问题的示例代码：

for(i  in 1:100) {
    for(j in 1:100)
    { 
       if (A[i] < A[j]) {
            tempMatrix[i, j]  <- foo(val_1[i], val_2[j])
        } else {
            tempMatrix[i, j]  <- foo(val_2[j], val_1[i])
        }
    }
}

上面这段代码计算时间太长，有没有办法并行化上面的代码？

val_1、val_2 和 A 是大约 50k 个元素的向量

4

1 回答 1

0

基本的矢量化使用ifelse似乎本身就获得了 40% 的加速：

n <- 300
A <- rnorm(n)
val_1 <- rpois(n, 10)
val_2 <- rpois(n, 20)
tempMatrix <- matrix(NA, n, n)
tempMatrix2 <- matrix(NA, n, n)


foo <- function(i, j) if( i %% j == 0) 5 else i


microbenchmark(times=30, orig=
for(i  in 1:n) {
    for(j in 1:n)
    { 
       if (A[i] < A[j]) {
            tempMatrix[i, j]  <- foo(val_1[i], val_2[j])
        } else {
            tempMatrix[i, j]  <- foo(val_2[j], val_1[i])
        }
    }
}
,mapp=
for(j in 1:n) {
  w <- A < A[j]
  x <- ifelse(w, val_1, val_2[j])
  y <- ifelse(w, val_2[j], val_1)
  tempMatrix2[,j] = mapply(foo, x, y)
}
)
all.equal(tempMatrix, tempMatrix2)

产量：

Unit: milliseconds
 expr        min         lq        mean     median         uq        max neval
 orig 187.449344 191.274325 195.7138641 192.635209 196.705712 220.292461    30
 mapp 116.479130 117.531128 121.5658793 118.779243 123.359916 147.540282    30

将 n 提高到 400 产生：

Unit: milliseconds
 expr        min         lq        mean      median         uq        max neval
 orig 338.356754 341.815807 351.2388823 345.4547705 357.107122 382.312691    30
 mapp 203.892420 206.377714 209.9775747 208.6823080 210.757181 239.354271    30
于 2016-06-28T05:56:02.137 回答