【发布时间】:2015-04-17 15:06:13
【问题描述】:
对于大学的练习,我们必须在 Python 中使用精确的牛顿力来实现 Leapfrog integrator。课程结束了,我们的解决方案已经足够好,但我想知道是否/如何进一步提高力计算的性能。
瓶颈是计算所有力(也就是加速度):
对于大量(1000 或更多)粒子 N (i,j 这里 r1 和 r2 是存储在形状为 (N,3) 的 ndarray 中的粒子位置的 3 维向量,Gm 是粒子质量乘以我保存在形状 (N) 的 ndarray 中的引力常数。 目前我发现的最快的版本如下: 但让我感到困扰的是,这可能不是最快的版本。与执行基本相同计算的 cdist 相比,第一行似乎太慢了。还有,这个方案没有使用问题中r1和r2切换的对称性,所有元素都计算了两次。 您是否知道任何性能改进(无需将力计算更改为某种近似值或更改编程语言)?def a(self):
sep = self.r[np.newaxis, :] - self.r[:, np.newaxis]
# Calculate the distances between all particles with cdist
# this is much faster than by hand
dists = cdist(self.r, self.r)
scale =dists*dists*dists
# set diagonal elements of dist to something != 0, to avoid division by 0
np.fill_diagonal(scale,1)
Fsum = (sep/scale.reshape(self.particlenr,self.particlenr,1))*self.Gm[:,None]
return np.add.reduce(Fsum,axis=1)
【问题讨论】:
标签: python arrays performance numpy scipy