一般来说,对于这样的问题,您可以使用 Rcpp 包将您的函数一对一地转换为 C++。这应该会带来相当大的加速。
首先,R版本:
random_sum <- function(loop = 1000) {
x<-c(0,0)
z<-0
for(i in 2:loop) {
x[1]<-x[2]
x[2]<-x[1]+rnorm(1, 0, 1)
if (x[2]<0) {z<-z+1}
}
z / loop
}
set.seed(123)
random_sum()
# [1] 0.134
现在是 C++ 版本:
library("Rcpp")
cppFunction("
double random_sum_cpp(unsigned long loop = 1000) {
double x1 = 0;
double x2 = 0;
double z = 0;
for (unsigned long i = 2; i < loop; i++) {
x1 = x2;
x2 = x1 + Rcpp::rnorm(1)[0];
if (x2 < 0) z = z+1;
}
return z/loop;
}")
set.seed(123)
random_sum_cpp()
# [1] 0.134
为了完整起见,我们还考虑提出的矢量化版本:
random_sum_vector <- function(loop = 1000) {
Y = rnorm(loop)
sum(cumsum(Y)<0)/loop
}
set.seed(123)
random_sum_vector()
# [1] 0.134
我们看到它对相同的随机种子给出了相同的结果,因此它似乎是一个可行的竞争者。
在基准测试中,C++ 版本和矢量化版本的表现相似,矢量化版本比 C++ 版本略显优势:
> microbenchmark(random_sum(100000),
random_sum_vector(100000),
random_sum_cpp(100000))
Unit: milliseconds
expr min lq mean median uq max neval
random_sum(1e+05) 184.205588 199.859266 209.220232 205.137043 211.026740 274.47615 100
random_sum_vector(1e+05) 6.320690 6.631704 7.273645 6.799093 7.334733 18.48649 100
random_sum_cpp(1e+05) 8.950091 9.362303 10.663295 9.956996 11.079513 21.30898 100
但是,矢量化版本会在速度与内存之间进行权衡,并且会因长时间循环而炸毁您的内存。C++ 版本几乎不使用内存。
对于 10^9 步,C++ 版本在我的机器上运行大约 2 分钟(110 秒)。我没有尝试 R 版本。根据较短的基准,可能需要大约 7 个小时。
> microbenchmark(random_sum_cpp(10^9), times = 1)
Unit: seconds
expr min lq mean median uq max neval
random_sum_cpp(10^9) 110.2182 110.2182 110.2182 110.2182 110.2182 110.2182 1