R/R Shiny复刻Excel Solver计算 大样本运算速度优化求助

代码性能瓶颈核心为冗余大矩阵创建、重复计算、低效apply遍历，可通过以下层级优化：

1. 移除冗余大矩阵，降低内存开销 #

原有代码创建的matjeu规模为n × 360，当n达到1e6时矩阵元素超过3.6亿，内存开销极大且完全无必要。实际上仅需要遍历360个角度，每次对全量n个样本做向量化计算即可，内存占用可从GB级降至MB级。

2. 预计算静态常量，减少重复运算 #

原自定义函数fjeu中大量运算不随角度d变化，可提前一次性计算完成，避免每次调用函数重复计算：

# 预计算所有不随角度变化的静态向量（长度均为n）
R_p3 <- sqrt(P3.GX.X^2 + P3.GX.Y^2)
theta_p3 <- atan2(P3.GX.X, P3.GX.Y)
A_vec <- A
B_vec <- B
Cx <- C3.GN.X
Cy <- C3.GN.Y
angles <- seq(0, 2*pi, by = (2*pi)/360)

3. 替换apply为向量化运算+增量更新最大值 #

无需存储全量n×360的计算结果，每次计算单个角度对应的全量样本值后，直接更新最大值向量即可，大幅降低内存和运算开销：

# 初始化最大值向量
exc_max <- rep(-Inf, length(A_vec))

# 仅循环360次，内部全为R原生向量化运算，开销极低
for (d in angles) {
  sin_d <- sin(d)
  cos_d <- cos(d)
  asin_term <- asin(A_vec * sin_d / B_vec)
  angle_diff <- theta_p3 - asin_term
  term1 <- A_vec * cos_d + R_p3 * cos(angle_diff)
  term2 <- A_vec * sin_d + R_p3 * sin(angle_diff)
  current_val <- sqrt((term1 - Cx)^2 + (term2 - Cy)^2) - A_vec
  # 增量更新最大值
  exc_max <- pmax(exc_max, current_val)
}

以上优化完成后，n为1e6时运算速度可提升10~50倍，完全满足常规性能要求。

4. 极致性能优化（可选） #

如果需要进一步提速，可将核心计算逻辑用Rcpp实现，把360次循环也放到C++层执行，可再获得3~10倍的性能提升，适合长期高频使用的场景。

内容的提问来源于stack exchange，提问作者TFC