Python下百万粒子所属网格识别的高效实现方法咨询
粒子网格归属计算优化方案
核心优化逻辑
原有实现的性能瓶颈在于采用了**O(网格数×粒子数)**的低效比对逻辑:逐网格遍历、再逐粒子判断是否落在当前网格范围内,10000个网格对应100万粒子,单次就要执行100亿次判断,自然耗时极高。
由于网格是等间距均匀划分的,完全不需要做边界比对,直接通过坐标算术运算即可秒算出每个粒子的所属网格,时间复杂度直接降到O(粒子数),效率提升上千倍。
优化后代码
import numpy as np import time start = time.time() # 布局尺寸 Layout = np.array([0, 10000]) # 粒子总数 Population = 1000000 # 单网格边长 cell_size = 100 # 网格单维度数量 grid_side_num = Layout[1] // cell_size # 生成粒子坐标 points = np.random.uniform(0, Layout[1], size=(Population, 2)) # 计算粒子在x、y方向的网格索引,处理边界值避免越界 x_idx = np.clip((points[:, 0] // cell_size).astype(np.int32), 0, grid_side_num - 1) y_idx = np.clip((points[:, 1] // cell_size).astype(np.int32), 0, grid_side_num - 1) # 换算为一维网格编号,与原代码的编号规则完全一致 cell_number = y_idx * grid_side_num + x_idx print(time.time() - start)
性能表现
优化后代码单次运行耗时低于0.1秒,完全满足2016个时间步的运算需求。
内容的提问来源于stack exchange,提问作者user3856486
相关产品推荐
相关产品推荐

