5

我想让我的代码运行得更快，以进行更多的迭代和运行。现在我的代码太慢了，但我不知道要改变什么来加快它。我首先编写了动力学蒙特卡罗模拟，然后将其编辑为布朗运动模拟。我当前的代码无法处理 10,000 次运行，每次运行 10,000 次迭代，这是必需的。

import numpy as np
import matplotlib.pyplot as plt
import time
%matplotlib inline

runs = int(input("Enter number of runs: "))
N = int(input("Enter number of iterations per simulation: "))

y = 0
R = 10*1  # R is the rate value
t0 = time.time()
for y in range(runs):  # Run the simulation 'runs' times
    T = np.array([0])
    dt = 0
    x = 0.5  # sets values 
    X = np.array([x])
    t = 0
    i = 0

    while t < N:  # N is the number of iterations per run
        i = i + 1  # i is number of iterations so far
        z = np.random.uniform(-1, 1, 1)  # sets z to be a random number between -1 to 1 size 1

        if z > (1/3):  # if conditions for z for alpha and gamma, beta 
            x = x + 1  # z[]=alpha state then + 1
        elif z < (-1/3):
            x = x-1  # z[]=gamma state then - 1
        elif z < (1/3) and z > (-1/3):
            x = x  # z=beta state then + 0

        X = np.append(X, x)  # adds new X value to original X array
        X[i] += X[i-1] * 0.01 * np.random.normal(0, 1, 1) * np.sqrt(dt)  # for Brownian motion with sigma as 0.01
        Z = np.random.uniform(0, 1)  # sets Z to be a random number between 0 and 1
        dt = 1/R * np.log(1/Z)  # formula for dt; R is the rate value
        t = t + dt  # ITERATED TIME
        T = np.append(T, t)
        plt.plot(T, X, lw='0.5', alpha=0.5)

t1 = time.time()
print("final %.10f seconds " % (t1-t0))
4

1 回答 1

1

这是快速运行的布朗运动蒙特卡罗模拟的一个很好的例子，它的计算成本较低。

我过去和你做过同样的事情，并且每次迭代的每一步都在嵌套循环中进行。也许是上下文切换的成本，通过不同的库运行，或者只是内存不足，但是在每次迭代中运行代码的每一步肯定会带来更慢的性能和更高的内存使用。

在上面的示例中，作者首先创建数组，然后使用单个 for 循环相应地遍历它们。所有的随机数同时生成并放入一个数组中。然后同时计算所有布朗运动回报。等等（想象一条装配线——在每一步都很好地利用资源并获得规模经济。）同样重要的是，请注意 plt 函数只运行一次（不在循环内）并且只有在所有迭代都完成之后完全的。

这种方法应该允许在更小的硬件上进行更多的迭代。

于 2019-03-16T00:38:22.610 回答