- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
第一次在这里提问。我之前使用一个简单的 MATLAB 脚本对 90 个 Hopf 振荡器进行建模,通过矩阵与 randn 噪声以及简单的欧拉步积分进行耦合。我想升级这个,所以我进入了 Julia,似乎有很多令人兴奋的特性。
This is the system of equations I'm solving
我有点迷失了。我开始使用 Differentialequations.jl(随机求解器),找到了一个解决方案,并发现自己的基准告诉我,求解 200 秒占用了 4 GB 的空间! (2.5 Gb,alg_hints=[:stiff])(我还没有修复 dt,之前我使用 dt=0.1)
function Shopf(du,u,p,t)
du[1:90,1]=(p[1:90,1]-u[1:90,1].^2.0-u[1:90,2].^2.0).*u[1:90,1]-p[1:90,2].*u[1:90,2] + 0.5*(-p[: , end].*u[:,1]+p[:,4:end-1] *u[:,1])
du[1:90,2]=(p[1:90,1]-u[1:90,1].^2.0-u[1:90,2].^2.0).*u[1:90,1]+p[1:90,2].*u[1:90,1] + 0.5*(-p[: , end].*u[:,2]+p[:,4:end-1] *u[:,2])
end
function σ_Shopf(du,u,p,t)
du[1:90,1]=0.04*ones(90,1)
du[1:90,2]=0.04*ones(90,1)
end
#initial condition
u0=-0.1*ones(90,2);
#initial time
t0=0.0;
#final time
tend=200.0;
#setting parameter matrix
p0=[0.1 , 2*pi*0.04]
push!(p0,-p0[2])
p=p0'.*ones(90,3);
SC=SC;
p=[p SC]
p=[p sum(SC,dims=2)]
#
#col 1 :alpha
#col 2-3 : [w0 -w0]
#col 3-93 : coupling matrix
#col 94: col-wise sum of coupling matrix
@benchmark solve(prob_sde_Shopf,nlsolver=Rosenbrock23(),alg_hints=[:stiff])
BenchmarkTools.试用版: 内存估计:2.30 GiB
分配估计:722769
最短时间:859.224 ms (13.24% GC)
中位时间:942.707 毫秒(13.10% GC)
平均时间:975.430 毫秒(12.99% GC)
最长时间:1.223 s (13.00% GC)
样本:6
评估/样本:1
有什么想法吗?我正在检查几种解决方案,但它们都没有将内存量减少到合理的数量。提前致谢。
最佳答案
您正在创建数量惊人的临时数组。每个切片都会创建一个临时的。您到处添加一个点,但您必须所有内容都添加点才能获得融合广播。相反,您只需使用 @.
宏即可为您完成此操作。另外,使用 @views
将确保切片不会复制:
function Shopf(du, u, p, t)
@. du[1:90, 1] = @views (p[1:90, 1] - u[1:90, 1]^2 - u[1:90, 2]^2) * u[1:90, 1] -
p[1:90, 2] * u[1:90,2] + 0.5 * (-p[:, end] * u[:, 1] + p[:, 4:end-1] * u[:,1])
@. du[1:90, 2] = @views (p[1:90, 1] - u[1:90, 1]^2 - u[1:90, 2]^2) * u[1:90, 1] +
p[1:90, 2] * u[1:90,1] + 0.5 * (-p[:, end] * u[:, 2] + p[:, 4:end-1] * u[:,2])
end
另外,不要写x^2.0
,使用x^2
,前者是慢速 float 幂,而后者是快速x * x
。事实上,尽可能地尝试使用整数,例如乘法、加法等。
还有一件事
function σ_Shopf(du,u,p,t)
du[1:90,1]=0.04*ones(90,1)
du[1:90,2]=0.04*ones(90,1)
end
无需在赋值的右侧创建两个临时数组。只需这样写:
function σ_Shopf(du, u, p, t)
du[1:90, 1:2] .= 0.04
end
更快更简单。请注意,我尚未对此进行测试,因此请修复任何拼写错误。
(最后,请使用缩进并在运算符周围放置空格,这会使您的代码更易于阅读。)
更新:我真的不知道你的代码应该做什么,用奇怪的索引做什么,但这里有一个可能的改进,只使用循环(我认为这实际上更干净,并且可以让您进行进一步的优化):
产生 A
的操作是矩阵乘积,因此您无法避免在那里进行分配,除非您可以使用 mul!
传入要处理的缓存数组。除此之外,您不应有以下分配。
function shopf!(du, u, p, t)
A = @view p[:, 4:end-1] * u
# mul!(A, view(p, 4:end-1), u) # in-place matrix product
for i in axes(u, 1)
val = (p[i, 1] - u[i, 1]^2 - u[i, 2]^2) * u[i, 1] # don't calculate this twice
du[i, 1] = val - (p[i, 2] * u[i, 2]) - (0.5 * p[i, end] * u[i, 1]) +
(0.5 * A[i, 1])
du[i, 2] = val + (p[i, 2] * u[i, 1]) - (0.5 * p[i, end] * u[i, 2]) +
(0.5 * A[i, 2])
end
end
在此之后,您可以添加各种优化,@inbounds
(如果您确定数组大小)、多线程、@simd
甚至 @avx
来自 LoopVectorization 实验包。
关于performance - 随机微分方程的疯狂空间分配求解系统,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/61703598/
已结束。此问题正在寻求书籍、工具、软件库等的推荐。它不满足Stack Overflow guidelines 。目前不接受答案。 我们不允许提出寻求书籍、工具、软件库等推荐的问题。您可以编辑问题,以便
Julia的新手,试图测试ODE求解器的速度。我在本教程中使用了Lorenz方程 using DifferentialEquations using Plots function lorenz(t,u
我来这里是因为我一直在尝试使用 sympy 求解微分方程,不幸的是到目前为止我还没有成功。到目前为止我所做的是: 1)插入微分方程,赋值并求解: import sympy as sp from IPy
我不知道问这个地方是否合适,因为我的问题是关于如何使用微分方程增长和衰减方法计算计算机科学算法的复杂性。 我想证明的算法是二分查找排序数组,其复杂度为log2(n) 算法说:如果要搜索的目标值等于中间
我想知道是否有人可以帮助我使用 MatLab 求解 Lotka-Volterra 方程。我的代码似乎不起作用。我执行以下操作: 第 1 步 - 我创建了一个名为 pred_prey_odes.m 的文
我是一名优秀的程序员,十分优秀!