专题课程
通常来说，Python不是一种高性能的语言，在某种意义上，这种说法是真的。但是，随着以Numpy为中心的数学和科学软件包的生态圈的发展，达到合理的性能不会太困难。
当性能成为问题时，运行时间通常由几个函数决定。用C重写这些函数，通常能极大的提升性能。
在本系列的第一部分中，我们来看看如何使用NumPy的C API来编写C语言的Python扩展，以改善模型的性能。在以后的文章中，我们将在这里提出我们的解决方案，以进一步提升其性能。
这篇文章中所涉及的文件可以在Github上获得。
作为这个练习的起点，我们将在像重力的力的作用下为N体来考虑二维N体的模拟。
以下是将用于存储我们世界的状态，以及一些临时变量的类。
在开始模拟时，N体被随机分配质量m，位置r和速度v。对于每个时间步长，接下来的计算有：
合力F，每个体上的合力根据所有其他体的计算。
速度v，由于力的作用每个体的速度被改变。
位置R，由于速度每个体的位置被改变。
第一步是计算合力F，这将是我们的瓶颈。由于世界上存在的其他物体，单一物体上的力是所有作用力的总和。这导致复杂度为O（N^2）。速度v和位置r更新的复杂度都是O（N）。
如果你有兴趣，这篇维基百科的文章介绍了一些可以加快力的计算的近似方法。
在纯Python中，使用NumPy数组是时间演变函数的一种实现方式，它为优化提供了一个起点，并涉及测试其他实现方式。
合力计算的复杂度为O（N^2）的现象被NumPy的数组符号所掩盖。每个数组操作遍历数组元素。
可视化
这里是7个物体从随机初始状态开始演化的路径图：
为了实现这个基准，我们在项目目录下创建了一个脚本，包含如下内容：
我们使用cProfile模块来测试衡量这个脚本。
前几行告诉我们，compute_F确实是我们的瓶颈，它占了超过99％的运行时间。
在Intel i5台式机上有101体，这种实现能够通过每秒257个时间步长演化世界。
收藏(0)
赞 
粤公网安备44010602001432号