任何用于嵌套 for 循环的快速搜索算法？答案

【问题标题】：Any fast search algorithms for nested for loops?任何用于嵌套 for 循环的快速搜索算法？
【发布时间】：2014-04-26 20:06:38
【问题描述】：

我有以下代码……

for i=1:100
   for j=1:200

       for k=1:100

             error = DOprocess(i,j,k);

             if(error==const)
               %%Break all loops...
             end
       end

  end
end

现在的问题是 DoProcess 函数每次运行都需要大量时间。但我想找到错误代码等于 const 的 I,j,k 的组合。我也不知道 DoProcess 的内部逻辑。我知道，如果我知道我可以使用优化技术来找到最佳解决方案。对于 I、j 和 k 的多个组合，DoProcess 也可以返回一个等于 const 的错误。我只需要找到第一次出现。所以任何人都可以建议我替代搜索算法而不是这些循环。该代码在 Matlab 中，但对于 c/c++ 人来说，您只需将 end 替换为} 并在每个 for 循环的开头保留一个 {。如果需要，我已准备好在 matlab 中实现搜索算法。

【问题讨论】：

购买 100*100*200 处理器并并行执行。
根据您提供的信息，我怀疑是否会有更好的方法来完成此任务。在最坏的情况下，您可能需要查看所有可能的组合。
这个DoProcess 返回的错误代码是否有任何系统（例如，对于较大的 i 或 j 或 k 值，只有升序错误编号？）？因为（我知道）加快搜索算法本身的唯一方法是，如果您至少可以预测返回值的趋势。如果DoProcess 返回的内容完全是随机的，那么除了暴力破解所有组合之外，不可能找到它——只有更快（和/或并行）的硬件才能让它更快——使用更多内核的简单解决方案可能是OpenMP
我建议你深入 DoProcess 函数查看更多细节。
假设DOprocess(i,j,k) 是一个连续函数，您可以将成本函数定义为(const - DOprocess(i,j,k))^2 并尝试像fmincon 这样的简单优化算法，例如找到最优i,@987654329 @ 和 k。如果不是，那么您将不得不像其他人所说的那样暴力破解它。但我认为它很有可能具有合理的行为，因此可以进行优化。

标签： c++ algorithm matlab

【解决方案1】：

如果没有 DoProcess 函数的任何额外信息，如果 (i, j, k) 结果不是一直在变化，实践中可能的两种优化方法：

离线执行此操作，并缓存预期的 (i, j, k) 组合
或者，在在线环境中执行一次，然后缓存。避免重复计算。

【讨论】：

【解决方案2】：

您可以将它们组合为以下示例：

    max = 100*200*100;
    for (n = 0:max) {
        temp = n;
        i = temp % 100+1;
        temp/=100;
        j = temp % 200+1;
        temp/=200;
        k = temp % 100+1;

        error = DOprocess(i,j,k);

        if(error==const)
            break;
        end
    }

【讨论】：

我认为这不会导致加速，而是相反，所有这些模和除运算......
它不会加速，但是如果有任何代码重构它可以避免许多嵌套的for循环并且更好地管理。
hm，那个代码看起来不是更简单，而是更复杂，我看不出它会如何简化重构
这种for循环的转换只有在你想并行化时才有用。如果你用 parfor 替换这个单曲，它可能会更快。由于开销增加，也可能比替换原始代码中的单个循环慢。

【解决方案3】：

这不是算法优化，但您可以并行执行此代码（假设迭代之间没有依赖关系（DOprocess）。

【讨论】：

【解决方案4】：

由于不了解DoProcess函数的细节，无法进一步优化代码。

如果您以某种方式获得了函数的实现，则可以展开至少一个循环，并使用 SIMD 函数（几乎每个处理器都至少部分支持）。

如果你只是想让你的计算更快地完成，那么你可以尝试添加更多线程，看看是否有帮助。

【讨论】：

【解决方案5】：

提高速度的一种可能性是在 DOprocess 中进行矢量化，并至少为一个输入接受一个矢量。

http://www.mathworks.de/de/help/matlab/matlab_prog/vectorization.html

这样的向量化代码更快，因为循环的开销被移除或每个向量仅存在一次。此外，许多基本操作对于大型数据集非常有效，并且使用多线程进行计算。这不需要并行工具箱。

【讨论】：