我已經修改了一些Go代碼，以解決與我姐夫玩的視頻游戲有關的我的好奇心。本質上，下面的代碼模擬了游戲中與怪物的互動，以及他期望他們在失敗后掉落物品的頻率。我遇到的問題是，我希望像這樣的一段代碼對于并行化來說是完美的，但是當我并發添加時，完成所有模擬所花費的時間往往會使原始代碼的速度降低4-6倍。沒有并發。為了使您更好地理解代碼的工作方式，我有三個主要功能：交互功能，它是玩家和怪物之間的簡單交互。如果怪物掉落物品，則返回1，否則返回0。仿真功能運行多個交互，并返回一部分交互結果（即1和0表示成功/不成功的交互）。最后，有一個測試函數，它運行一組模擬并返回一部分模擬結果，這些結果是導致掉落物品的相互作用的總數。這是我嘗試并行運行的最后一個函數?，F在，我可以理解，如果我為要運行的每個測試創建一個goroutine，為什么代碼會變慢。假設我正在運行100個測試，則在MacBook Air的4個CPU上的每個goroutine之間進行上下文切換會降低性能，但是我只創建與我擁有的處理器一樣多的goroutine，并將測試次數除以goroutines。我希望這實際上可以提高代碼的性能，因為我可以并行運行每個測試，但是，當然，我會遇到嚴重的問題。我很想弄清楚為什么會這樣，所以任何幫助將不勝感激。以下是不帶go例程的常規代碼：package mainimport ( "fmt" "math/rand" "time")const ( NUMBER_OF_SIMULATIONS = 1000 NUMBER_OF_INTERACTIONS = 1000000 DROP_RATE = 0.0003)/** * Simulates a single interaction with a monster * * Returns 1 if the monster dropped an item and 0 otherwise */func interaction() int { if rand.Float64() <= DROP_RATE { return 1 } return 0}/** * Runs several interactions and retuns a slice representing the results */func simulation(n int) []int { interactions := make([]int, n) for i := range interactions { interactions[i] = interaction() } return interactions}/** * Runs several simulations and returns the results */func test(n int) []int { simulations := make([]int, n) for i := range simulations { successes := 0 for _, v := range simulation(NUMBER_OF_INTERACTIONS) { successes += v } simulations[i] = successes } return simulations}func main() { rand.Seed(time.Now().UnixNano()) fmt.Println("Successful interactions: ", test(NUMBER_OF_SIMULATIONS))}并且，這是帶有goroutines的并發代碼：package mainimport ( "fmt" "math/rand" "time" "runtime")const ( NUMBER_OF_SIMULATIONS = 1000 NUMBER_OF_INTERACTIONS = 1000000 DROP_RATE = 0.0003)
3 回答
MMTTMM
TA貢獻1869條經驗 獲得超4個贊
您的代碼正在抽樣一個二項式隨機變量B（N，p），其中N是試驗次數（此處為1M），p是成功進行單個試驗的概率（此處為0.0003）。
一種方法是建立一個累積概率表T，其中T [i]包含試驗總數小于或等于i的概率。要生成樣本，您可以選擇一個統一的隨機變量（通過rand.Float64），然后在表中找到包含大于或等于該概率的第一個索引。
這里有點復雜，因為您有一個非常大的N和一個相當小的p，因此，如果您嘗試構建表，那么數字和算術精度就會非常麻煩。但是您可以構建一個較小的表（假設有1000個大表）并對其進行1000次采樣，以進行一百萬次試用。
這是完成所有這些工作的一些代碼。它不太優雅（1000 是硬編碼的），但它在我的舊筆記本電腦上不到一秒鐘就生成了 1000 次模擬。通過例如將BinomialSampler的構造從循環中移出，或者通過使用二進制搜索而不是線性掃描來查找表索引，可以很容易地進一步優化。
package main
import (
"fmt"
"math"
"math/rand"
)
type BinomialSampler []float64
func (bs BinomialSampler) Sample() int {
r := rand.Float64()
for i := 0; i < len(bs); i++ {
if bs[i] >= r {
return i
}
}
return len(bs)
}
func NewBinomialSampler(N int, p float64) BinomialSampler {
r := BinomialSampler(make([]float64, N+1))
T := 0.0
choice := 1.0
for i := 0; i <= N; i++ {
T += choice * math.Pow(p, float64(i)) * math.Pow(1-p, float64(N-i))
r[i] = T
choice *= float64(N-i) / float64(i+1)
}
return r
}
func WowSample(N int, p float64) int {
if N%1000 != 0 {
panic("N must be a multiple of 1000")
}
bs := NewBinomialSampler(1000, p)
r := 0
for i := 0; i < N; i += 1000 {
r += bs.Sample()
}
return r
}
func main() {
for i := 0; i < 1000; i++ {
fmt.Println(WowSample(1000000, 0.0003))
}
}
- 3 回答
- 0 關注
- 265 瀏覽
添加回答
舉報
0/150
提交
取消