使用SymPy进行长符号表达式代换的性能优化问题

数学上需要计算函数$f_m(k)$，其中$k$取0、1…m-1的有限值。固定$m$时可生成对应每个$k$的符号表达式，但$m$较大时表达式会变得复杂，最终目标是完成数值计算。

原本采用「先生成符号表达式，再代入数值计算」的思路：用SymPy推导包含500+单项式的多项式表达式，但调用expr.subs([(x,x_val),(y,y_val)])进行代换时耗时极久——当m=100时，代换至少需要数分钟（甚至仍在计算中）。

求加快代换的方法，或替代方案。

附生成$f_m$的示例代码：

# Define parameters of interest - working with Sympy
import sympy as sym
from sympy.abc import V
import scipy.special

m = 100

V = V
phi = sym.symbols('Phi')

diag = sym.zeros(1,m)
diag[0] = 1

for j in range(2,m+1): # j = 1, i.e. m = 2
    
    f_j = sym.zeros(1,j) # Computing f as an array, so that f_j[k] is...
    #...desired symbolic expression of f_j at k
    
    for k in range(j-1): # k = 0,1
        f_j[k] = scipy.special.binom(j-1,k)*(phi*V**(k))**(j-k)*diag[k] - phi*V      

    g = sum(f_j)
    f_j[j-1] = 1/2 - g
    diag[j-1] = 1/2 - g

# Output of code is f_m. Doing example substituition...
f_j.subs([(V,1),(phi,2)])

方案1：用lambdify将符号表达式转为数值计算函数 #

SymPy的subs本身不适合处理超大规模符号表达式的批量代换，而lambdify可以把符号表达式编译成基于NumPy的数值函数，大幅降低计算开销。

修改示例：

# 在生成f_j之后执行
# 将f_j转为接收V和phi参数的数值函数
f_numeric = sym.lambdify((V, phi), f_j, 'numpy')
# 直接传入数值计算
result = f_numeric(1, 2)

方案2：全程数值递推，跳过符号表达式生成 #

既然最终目标是数值计算，完全可以绕开符号推导步骤，直接用数值方法递推计算，这是提速效果最显著的方案。

重写后的数值版代码：

import numpy as np
from scipy.special import binom

m = 100
V_val = 1
phi_val = 2

# 初始化数值数组存储中间结果
diag = np.zeros(m)
diag[0] = 1

for j in range(2, m+1):
    f_j = np.zeros(j)
    for k in range(j-1):
        # 直接计算数值，无符号操作
        term = binom(j-1, k) * (phi_val * (V_val ** k)) ** (j - k) * diag[k]
        f_j[k] = term - phi_val * V_val
    g = np.sum(f_j[:j-1])
    f_j[j-1] = 0.5 - g
    diag[j-1] = 0.5 - g

# f_j即为m=100时的数值结果
print(f_j)

该方案毫秒级即可完成m=100的计算，彻底规避符号计算的性能瓶颈。

方案3：化简符号表达式后再代换 #

如果必须保留符号表达式生成步骤，可以先对表达式进行化简，减少单项式数量后再代换：

# 生成f_j后先执行化简
f_j_simplified = sym.simplify(f_j)
# 再进行代换
result = f_j_simplified.subs([(V,1),(phi,2)])

注：该方法的提速效果取决于表达式的可化简程度，对超大规模多项式的优化幅度有限。

内容的提问来源于stack exchange，提问作者algebroo