You need to enable JavaScript to run this app. Python下百万粒子所属网格识别的高效实现方法咨询
优惠活动
大模型
产品
解决方案
定价
更多

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
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.11 12:48:03