當每個循環讀取最后一個循環的結果時優化Python循環

Question

應該優化由兩個循環（外部和內部）組成的函數-理想情況下是用N​​umpy函數替換Python循環。 可以輕松優化內部循環（變量inner_loop ），但是也可以更改外部循環嗎？

問題是inner_loop讀取向量U ，在每個外部循環中都更改了它的一個元素。 如果我使用匹配的Numpy函數優化外循環，則會丟失“遞歸”元素（更新U[i] ）。

for i in (y for y in xrange(0, n)):
    inner_loop = -np.sum(self.Y[i, :] * U) + self.Y[i, i] * U[i] + np.conjugate(self.shares[i] / U[i])
    U[i] = U_last[i] + accelerator * (1/self.Y[i,i] * inner_loop - U_last[i])

U是向量（n個維）， U_last和self.shares ， Y是self.shares矩陣U。對於那些想知道的人來說，它是高斯-賽德爾功率流算法的一部分。

Answer 1

因為您是遞歸地構建數組，所以沒有。 您必須找出另一種非遞歸算法，或者排除遞歸部分。

---

讓我們盡力而為。

for i in (y for y in xrange(0, n)):等同for i in xrange(n) 。 y沒有任何用途，因為它沒有作為名稱公開。

使用U更改值的唯一地方是傳遞給np.sum ，因此我們可以通過進行一些預計算來進行一些簡化。

• self.Y[i, i] * U[i]可以為Ydiag_times_U[i] ，其中Ydiag_times_U = np.diag(Y) * U
• np.conjugate(self.shares[i] / U[i])可以是conjugate_shares_over_U[i] ，其中conjugate_shares_over_U = np.conjugate(self.shares/U) 。

• U_last[i] + accelerator * (1/self.Y[i,i] * inner_loop - U_last[i])可以類似地重新排列並制作為U_last_minus_accelerator_times_U_last[i] + accelerator_over_Ydiag[i] * inner_loop ，其中U_last_minus_accelerator_times_U_last[i] + accelerator_over_Ydiag[i] * inner_loop是

  U_last_minus_accelerator_times_U_last[i] = U_last - accelerator * U_last accelerator_over_Ydiag = accelerator/np.diag(self.Y)

進行更改：

Ydiag_times_U = np.diag(Y) * U
conjugate_shares_over_U = np.conjugate(self.shares / U)
inner_silliness = Ydiag_times_U + conjugate_shares_over_U
U_last_minus_accelerator_times_U_last[i] = U_last - accelerator * U_last
accelerator_over_Ydiag = accelerator/np.diag(self.Y)

for i in xrange(n):
    inner_loop = inner_silliness[i] - np.sum(self.Y[i, :] * U)
    U[i] = U_last_minus_accelerator_times_U_last[i] + accelerator_over_Ydiag[i] * inner_loop

這些是較低級別的更改。 除此之外，您可以嘗試做一些代數運算以消除遞歸性。 如果您擔心效率，請嘗試使用C進行循環。