Java 8嵌套循环，包含流和性能

Question

为了练习Java 8流，我尝试将以下嵌套循环转换为Java 8流API。 它计算a ^ b（a，b <100）的最大数字总和，并在我的Core i5 760上占用~0.135s。

public static int digitSum(BigInteger x)
{
    int sum = 0;
    for(char c: x.toString().toCharArray()) {sum+=Integer.valueOf(c+"");}
    return sum;
}

@Test public void solve()
    {
        int max = 0;
        for(int i=1;i<100;i++)
            for(int j=1;j<100;j++)
                max = Math.max(max,digitSum(BigInteger.valueOf(i).pow(j)));
        System.out.println(max);
    }

我的解决方案，我希望由于并行性而更快，实际上需要0.25秒（没有parallel() 0.19s）：

int max =   IntStream.range(1,100).parallel()
            .map(i -> IntStream.range(1, 100)
            .map(j->digitSum(BigInteger.valueOf(i).pow(j)))
            .max().getAsInt()).max().getAsInt();

我的问题

• 我做了正确的转换，还是有更好的方法将嵌套循环转换为流计算？
• 为什么流变种比旧变种慢得多？
• 为什么parallel（）语句实际上将时间从0.19s增加到0.25s？

我知道微基准测试很脆弱，并行性只对大问题是值得的，但对于CPU来说，甚至0.1秒都是永恒的，对吗？

更新

我使用Eclipse Kepler中的Junit 4框架进行测量（它显示了执行测试所花费的时间）。

我的结果为a，b <1000而不是100：

• 传统的循环186s
• 顺序流193s
• 并行流55s

更新2替换sum+=Integer.valueOf(c+""); 加上sum+= c - '0'; （感谢彼得！）平行方法削减了整整10秒，使其达到45秒。 没想到这么大的性能影响！

此外，减少与CPU内核数量的并行性（在我的情况下为4）没有做太多，因为它将时间减少到44.8s（是的，它增加了a和b = 0但我认为这不会影响表现很多）：

int max = IntStream.range(0, 3).parallel().
          .map(m -> IntStream.range(0,250)
          .map(i -> IntStream.range(1, 1000)
          .map(j->.digitSum(BigInteger.valueOf(250*m+i).pow(j)))
          .max().getAsInt()).max().getAsInt()).max().getAsInt();

Answer 1

我已根据您的代码创建了一个快速而肮脏的微基准测试。 结果是：

循环：3192
lambda：3140
lambda parallel：868

因此，循环和lambda是等效的，并行流显着提高了性能。 由于您的基准测试方法，我怀疑您的结果不可靠。

public static void main(String[] args) {
    int sum = 0;

    //warmup
    for (int i = 0; i < 100; i++) {
        solve();
        solveLambda();
        solveLambdaParallel();
    }

    {
        long start = System.nanoTime();
        for (int i = 0; i < 100; i++) {
            sum += solve();
        }
        long end = System.nanoTime();
        System.out.println("loop: " + (end - start) / 1_000_000);
    }
    {
        long start = System.nanoTime();
        for (int i = 0; i < 100; i++) {
            sum += solveLambda();
        }
        long end = System.nanoTime();
        System.out.println("lambda: " + (end - start) / 1_000_000);
    }
    {
        long start = System.nanoTime();
        for (int i = 0; i < 100; i++) {
            sum += solveLambdaParallel();
        }
        long end = System.nanoTime();
        System.out.println("lambda parallel : " + (end - start) / 1_000_000);
    }
    System.out.println(sum);
}

public static int digitSum(BigInteger x) {
    int sum = 0;
    for (char c : x.toString().toCharArray()) {
        sum += Integer.valueOf(c + "");
    }
    return sum;
}

public static int solve() {
    int max = 0;
    for (int i = 1; i < 100; i++) {
        for (int j = 1; j < 100; j++) {
            max = Math.max(max, digitSum(BigInteger.valueOf(i).pow(j)));
        }
    }
    return max;
}

public static int solveLambda() {
    return  IntStream.range(1, 100)
            .map(i -> IntStream.range(1, 100).map(j -> digitSum(BigInteger.valueOf(i).pow(j))).max().getAsInt())
            .max().getAsInt();
}

public static int solveLambdaParallel() {
    return  IntStream.range(1, 100)
            .parallel()
            .map(i -> IntStream.range(1, 100).map(j -> digitSum(BigInteger.valueOf(i).pow(j))).max().getAsInt())
            .max().getAsInt();
}

---

我也用jmh运行它，这比手动测试更可靠。 结果与上述一致（每次通话微秒）：

Benchmark                                Mode   Mean        Units
c.a.p.SO21968918.solve                   avgt   32367.592   us/op
c.a.p.SO21968918.solveLambda             avgt   31423.123   us/op
c.a.p.SO21968918.solveLambdaParallel     avgt   8125.600    us/op

Answer 2

您遇到的问题是您正在寻找次优代码。 当您拥有可能经过大量优化的代码时，您非常依赖于JVM是否足够智能来优化代码。 循环已经存在很长时间并且更好理解。

你的循环代码有一个很大的不同，就是你的工作集非常小。 您一次只考虑一个最大数字总和。 这意味着代码是缓存友好的，并且您拥有非常短暂的对象。 在stream（）情况下，您正在构建集合，在任何时候工作集中都有更多集合，使用更多缓存，并且开销更大。 我希望您的GC时间更长和/或更频繁。

为什么流变种比旧变种慢得多？

自从Java开发之前，循环就已经得到了很好的优化。 它们可以非常有效地映射到硬件。 流是相当新的，并没有经过大量优化。

为什么parallel（）语句实际上将时间从0.19s增加到0.25s？

很可能你在共享资源上有一个瓶颈。 你创造了相当多的垃圾，但这通常是相当并发的。 使用更多线程，只保证您将有更多的开销，但它不能确保您可以利用您拥有的额外CPU功率。