如何让两个进程协作处理同一个类实例，避免重复执行方法？

首先明确：Python多进程里没法让多个进程直接共享同一个类实例。因为每个进程都有独立的内存空间，不管是用fork还是spawn启动进程，子进程都会复制父进程内存（或重新初始化环境），你看到的两个实例是完全独立的个体，各自在自己的进程空间运行，所以才会执行两次完整计算。

要实现进程协作处理任务，核心思路是拆分计算任务，让每个进程只处理一部分数据，最后汇总各进程的结果。针对你的测试代码，我们可以把大循环拆分成两部分，让两个进程分别计算，再合并最终结果：

import time
import multiprocessing

class Test:
    def sum_part(self, start, end):
        total = 0
        for i in range(start, end):
            for j in range(1, 10000):
                total += i + j
        return total

def worker(start, end, queue):
    obj = Test()
    result = obj.sum_part(start, end)
    queue.put(result)

if __name__ == '__main__':
    starttime = time.time()
    queue = multiprocessing.Queue()
    
    # 把原任务拆分为两个子任务
    p1 = multiprocessing.Process(target=worker, args=(1, 5000, queue))
    p2 = multiprocessing.Process(target=worker, args=(5000, 10000, queue))
    
    p1.start()
    p2.start()
    
    p1.join()
    p2.join()
    
    # 汇总两个进程的计算结果
    total = queue.get() + queue.get()
    print(f"The result is {total}")
    print('That took {} seconds'.format(time.time() - starttime))

针对进化树生成的实际场景 #

你提到的进化树计算任务，可以参考以下拆分思路：

• 如果是多序列比对后的距离矩阵计算：可以把序列对划分为多个子集，每个进程负责计算一部分序列对的距离值，最后合并成完整矩阵
• 如果是建树算法（如最大似然树）：若为自定义实现，可拆分并行性高的步骤（比如不同分支的似然值计算）分配给不同进程；若用现有工具，优先使用工具自带的多进程参数（很多生信工具原生支持多线程/多进程）

注意：进程间数据传输有开销，要尽量减少跨进程传递的数据量。如果仅需共享少量状态，可使用multiprocessing.Value或Array，但复杂类实例无法直接共享，拆分任务仍是最高效的方案。

内容的提问来源于stack exchange，提问作者Nock