Julia性能优化实践咨询：Fortran转Julia代码性能低下问题

原代码的核心性能问题 #

• 数组维度设计不合理：kp、km定义为(1,64)的二维数组，访问时会引入额外索引计算开销，应改用一维数组。
• 内存访问不连续：Julia采用列优先存储（column-major），原代码i（行）在外层、j（列）在内层的循环顺序，会导致内存跳读，缓存命中率低。
• 冗余类型标注与类型不一致：循环内给变量加::Float64会干扰类型推断；tr用Float32但其他变量是Float64，计算时产生不必要的类型转换。
• 重复计算与冗余操作：计算磁化强度m和能量e时两次遍历整个数组；else分支的is[i,j]=is[i,j]完全多余。
• 随机数调用频繁：内层循环每次调用rand()，可预生成批量随机数减少函数调用开销。
• 数组类型选择不当：is数组存储±1，用Float64浪费内存，改用Int8或Float32更高效。

针对性优化步骤 #

• 调整数组维度：将kp、km改为一维Int8数组，直接索引访问减少计算开销。
• 修正循环顺序：把循环从i→j改为j→i，贴合列优先存储规则，提升缓存利用率。
• 移除冗余类型标注：仅在数组定义时指定类型，让Julia自动推断变量类型，避免类型推断受阻。
• 统一数值类型：将tr改为Float64消除类型转换开销；is改用Int8，减少内存占用并提升访问速度。
• 预生成随机数：每次k循环前生成足够的随机数数组，内层循环直接读取，减少rand()调用次数。
• 简化计算逻辑：用内置sum函数替代双层循环计算m；删除无意义的赋值操作。

优化后的代码 #

# 初始化数组：用一维数组存储kp、km，is改用Int8节省内存
is_arr = ones(Int8, 64, 64)  # 直接初始化全1，替代双层循环
kp = Int8[ i < 64 ? i+1 : 1 for i in 1:64 ]
km = Int8[ i > 1 ? i-1 : 64 for i in 1:64 ]

# 预计算常量避免重复计算
const GRID_SIZE = 64*64

for T in 1:500
    tr = T * 0.01  # 统一用Float64，避免类型转换
    # 预生成本次k循环需要的所有随机数：1000*64*64个
    rand_vals = rand(1000, 64, 64)
    
    for k in 1:1000
        # 调整循环顺序为j→i，符合列优先存储
        @inbounds for j in 1:64
            @inbounds for i in 1:64
                # 计算邻居和：用Int8计算，最后转Float64
                neighbor_sum = is_arr[kp[i], j] + is_arr[km[i], j] + is_arr[i, kp[j]] + is_arr[i, km[j]]
                en = -is_arr[i,j] * neighbor_sum
                den = -2 * en
                
                if den < 0
                    is_arr[i,j] = -is_arr[i,j]
                else
                    p = exp(-den / tr)
                    if p > rand_vals[k,i,j]
                        is_arr[i,j] = -is_arr[i,j]
                    end
                end
            end
        end
    end
    
    # 用内置sum函数简化计算
    m = sum(is_arr) / GRID_SIZE
    e = 0.0
    # 调整循环顺序计算能量
    @inbounds for j in 1:64
        @inbounds for i in 1:64
            neighbor_sum = is_arr[kp[i], j] + is_arr[km[i], j] + is_arr[i, kp[j]] + is_arr[i, km[j]]
            e -= is_arr[i,j] * neighbor_sum
        end
    end
    e /= 2
    println(tr, " ", abs(m), " ", e)
end

额外进阶优化 #

• 启用SIMD指令：在无数据依赖的内层循环前加上@simd，利用CPU的SIMD并行能力进一步提速，比如：

  @inbounds @simd for j in 1:64
      @inbounds @simd for i in 1:64
          # 循环内容
      end
  end
  

• 预编译函数：将核心模拟逻辑封装成函数，利用Julia的函数预编译特性提升运行效率。

内容的提问来源于stack exchange，提问作者Gaya