python - 当每个循环读取上一个循环的结果时优化Python循环

Question

由两个循环(外循环和内循环)组成的函数应该进行优化 - 最好用 Numpy 函数替换 Python 循环。内部循环可以轻松优化(变量 inner_loop)，但外部循环也可以更改吗？

问题在于 inner_loop 读取向量 U，其中一个元素在每个外循环中都会发生更改。如果我使用匹配的 Numpy 函数优化外循环，“递归”元素(更新 U[i])就会丢失。

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 是一个向量(n 维)，U_last 和 self.shares 也是，Y 是一个nxn 矩阵，U。 对于那些想知道的人来说，它是 Gauss-Seidel 潮流算法的一部分。

Answer 1

因为您正在递归地构建数组，所以不会。您必须找出另一种非递归算法，或者分解出递归部分。

<小时/>

不过，我们还是尽力而为吧。

for i in (y for y in xrange(0, n)): 相当于 for i in xrange(n)。 y 没有任何用途，因为它不作为名称公开。

唯一使用 U 更改值的地方是在传递给 np.sum 时，因此我们可以通过进行一些预计算来简化一些操作。

• self.Y[i, i] * U[i] 可以是 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] * inside_loop - U_last[i]) 可以类似地重新排列并制成 U_last_minus_accelerator_times_U_last [i]+accelerator_over_Ydiag[i]*inner_loop，其中愚蠢的是

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

进行更改:

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

这些是较低级别的更改。除此之外，您可以尝试做一些代数来消除递归性。如果您担心效率，请尝试在 C 中执行循环。