为什么添加并发会使该golang代码变慢？
我已经修改了一些Go代码，以解决与我姐夫玩的视频游戏有关的我的好奇心。
本质上，下面的代码模拟了游戏中与怪物的互动，以及他期望他们在失败后掉落物品的频率。我遇到的问题是，我希望像这样的一段代码对于并行化来说是完美的，但是当我并发添加时，完成所有模拟所花费的时间往往会使原始代码的速度降低4-6倍。没有并发。
为了使您更好地理解代码的工作方式，我有三个主要功能：交互功能，它是玩家和怪物之间的简单交互。如果怪物掉落物品，则返回1，否则返回0。仿真功能运行多个交互，并返回一部分交互结果（即1和0表示成功/不成功的交互）。最后，有一个测试函数，它运行一组模拟并返回一部分模拟结果，这些结果是导致掉落物品的相互作用的总数。这是我尝试并行运行的最后一个函数。
现在，我可以理解，如果我为要运行的每个测试创建一个goroutine，为什么代码会变慢。假设我正在运行100个测试，则在MacBook Air的4个CPU上的每个goroutine之间进行上下文切换会降低性能，但是我只创建与我拥有的处理器一样多的goroutine，并将测试次数除以goroutines。我希望这实际上可以提高代码的性能，因为我可以并行运行每个测试，但是，当然，我会遇到严重的问题。
我很想弄清楚为什么会这样，所以任何帮助将不胜感激。
以下是不带go例程的常规代码：
package main
import (
"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，这是带有goroutines的并发代码：
package main
import (
"fmt"
"math/rand"
"time"
"runtime"
)
const (
NUMBER_OF_SIMULATIONS = 1000
NUMBER_OF_INTERACTIONS = 1000000
DROP_RATE = 0.0003
)
鸿蒙传说3回答
-
守着一只汪
在我的Linux四核i7笔记本电脑上测试您的代码我明白了这是一个Google Spreadsheet这表明，在Linux下，至少每个内核的缩放比例几乎是线性的。我认为您可能没有看到这有两个原因。首先是您的macbook air仅具有2个真正的核心。它有4个超线程，这就是为什么它报告4个最大cpus的原因。通常，超线程仅在单个内核上提供15％的额外性能，而不是您期望的100％。因此，仅在macbook air上基准测试1个或2个CPU！另一个原因可能是与Linux相比OS X线程的性能。他们使用不同的线程模型，这可能会影响性能。 -
MMTTMM
您的代码正在抽样一个二项式随机变量B（N，p），其中N是试验次数（此处为1M），p是成功进行单个试验的概率（此处为0.0003）。一种方法是建立一个累积概率表T，其中T [i]包含试验总数小于或等于i的概率。要生成样本，您可以选择一个统一的随机变量（通过rand.Float64），然后在表中找到包含大于或等于该概率的第一个索引。这里有点复杂，因为您有一个非常大的N和一个相当小的p，因此，如果您尝试构建表，那么数字和算术精度就会非常麻烦。但是您可以构建一个较小的表（假设有1000个大表）并对其进行1000次采样，以进行一百万次试用。这是完成所有这些工作的一些代码。它不太优雅（1000 是硬编码的），但它在我的旧笔记本电脑上不到一秒钟就生成了 1000 次模拟。通过例如将BinomialSampler的构造从循环中移出，或者通过使用二进制搜索而不是线性扫描来查找表索引，可以很容易地进一步优化。package mainimport ( "fmt" "math" "math/rand")type BinomialSampler []float64func (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)) }}
随时随地看视频慕课网APP
相关分类
Go