Julia代码运行速度比Python慢一个数量级，求优化指导

核心性能瓶颈分析 #

1. 全局变量的动态类型损耗：代码中的N、T、sdt等全局变量未做类型约束，Julia对动态类型全局变量的访问会频繁触发类型检查，直接拖慢运行效率。
2. 冗余的分布对象构造：每次调用rand(Exponential(1/kt))都会创建新的Exponential实例，开销远大于利用指数分布性质直接计算randexp()/kt。
3. 类型不稳定的局部变量：run函数内的m、th等变量未标注类型，Julia无法提前完成类型推断，导致运行时动态调度。
4. 首次运行的编译开销：@time首次执行会包含函数编译时间，需要先预热再计时才能得到真实运行速度。
5. 冗余计算：ceil(Int, time_temp/sdt)属于多余操作——time_temp是sdt的整数倍，直接用Int(time_temp/sdt)即可。

优化后的Julia代码 #

using Random

# 用const声明全局常量，固化类型
const N = 1000
const kplus = 2
const kminus = 1
const T = 20.0
const sdt = 1.0
const frac = 0.5
const threshold = frac * N

function run(kp::Int, km::Int)
    base = fill(1, N)
    mb = collect(1:N)
    m::Int = N
    th::Float64 = 0.0
    time_len = Int(T / sdt)
    time_data = fill(0, time_len)
    time_data[1] = N
    time_temp::Float64 = sdt
    
    while th < T
        m == 0 && break
        
        if th > time_temp
            idx = Int(time_temp / sdt) + 1
            idx <= time_len && (time_data[idx] = m)
            time_temp += sdt
        end
        
        kt = m * (kp + km)
        th += randexp() / kt  # 直接生成指数分布样本，避免构造分布对象
        ran = kt * rand()
        index = floor(Int, ran / (kp + km))
        rem = ran - index * (kp + km)
        index += 1
        
        # 用元组交换替代临时变量，减少内存操作
        if rem < km
            @inbounds begin
                base[mb[index]] = 0
                mb[index], mb[m] = mb[m], mb[index]
            end
            m -= 1
        else
            pos = rand(1:N)
            @inbounds if base[pos] == 0
                base[pos] = 1
                m += 1
                mb[m] = pos
            end
        end
    end
    return time_data
end

function sample(num_runs::Int)
    time_len = Int(T / sdt)
    time_data_avg = fill(0.0, time_len)
    td_var = fill(0.0, time_len)
    for _ in 1:num_runs
        m = run(kplus, kminus)
        time_data_avg .+= m ./ num_runs
        td_var .+= m .* m ./ num_runs
    end
    td_var .-= time_data_avg .^ 2
    return time_data_avg, td_var
end

# 预热编译，排除首次编译时间干扰
sample(1)

# 正式计时
@time tm, tv = sample(1000)

额外优化建议 #

• 移除全局变量依赖：将N、T等参数作为函数输入参数传入，既提升函数复用性，也能进一步强化类型稳定性。
• 保留数组预分配：当前代码已做到数组预分配，这是Julia性能优化的关键，需继续保持。
• 合理使用@inbounds：对于确定不会越界的索引操作，添加@inbounds宏可跳过边界检查，进一步提升速度（代码中已部分应用）。

经过上述优化后，Julia的运行速度可超过Numba加速后的Python代码。

内容的提问来源于stack exchange，提问作者codeenjoyer