Rcpp容器超出函数作用域未释放内存，如何解决内存占用问题？

你碰到的这个内存暴增问题，我之前也遇到过——核心原因是Rcpp::sample()返回的是由R内存管理器管控的对象，而R的垃圾回收（GC）不会在每次函数调用后立刻触发。当你在循环里反复调用f()创建超大的IntegerVector时，这些对象会不断堆积在R的内存堆里，直到GC被迫启动，这就直接导致32GB内存被快速占满。

下面给你两个可行的解决方案，从临时变通到最优实现：

临时变通：改用Language调用R原生sample #

你提到的用Language("sample", siz, siz).eval()确实能解决内存堆积问题。因为这种方式创建的对象在f()函数退出时，会被R的内存机制立刻标记为可回收，不会留在堆里占用空间。修改后的f()函数如下：

#include <Rcpp.h>
#include <numeric>
using namespace Rcpp;

double f(int siz) {
  IntegerVector a = Language("sample", siz, siz).eval();
  return std::accumulate(a.begin(), a.end(), 0.0);
}

// [[Rcpp::export]]
NumericVector test(int siz) {
  NumericVector rst(siz);
  for(int i = 0; i < siz; ++i) {
    rst[i] = f(siz);
  }
  return rst;
}

不过要注意，这个方法每次调用都要切换到R解释器，性能会比纯C++实现差不少，适合临时救急。

最优方案：自定义Fisher–Yates Shuffle采样函数 #

正如你所说，阅读Rcpp源码后会发现，最优解是自己实现一个不依赖R对象管理的采样函数。我们可以用Rcpp提供的unif_rand()生成随机数，结合现代版Fisher–Yates Shuffle算法来生成随机排列，这样完全绕开R的内存堆，内存会在函数退出时自动释放。

这里给你一个完整的可运行示例：

#include <Rcpp.h>
#include <numeric>
#include <algorithm>
using namespace Rcpp;

// 自定义采样函数：生成1到siz的随机排列
IntegerVector custom_sample(int siz) {
  IntegerVector res(siz);
  // 初始化序列为1到siz
  std::iota(res.begin(), res.end(), 1);
  
  // 现代版Fisher–Yates Shuffle，原地打乱
  for (int i = siz - 1; i > 0; --i) {
    // 用unif_rand()生成[0, i]范围内的随机整数
    int j = static_cast<int>(unif_rand() * (i + 1));
    std::swap(res[i], res[j]);
  }
  return res;
}

double f(int siz) {
  IntegerVector a = custom_sample(siz);
  return std::accumulate(a.begin(), a.end(), 0.0);
}

// [[Rcpp::export]]
NumericVector test(int siz) {
  NumericVector rst(siz);
  for(int i = 0; i < siz; ++i) {
    rst[i] = f(siz);
  }
  return rst;
}

这个版本的优势很明显：

• 所有内存操作都是纯C++层面的，IntegerVector作为局部对象，在f()函数退出时会自动调用析构函数释放内存，完全不需要等待R的GC
• 内存占用会非常稳定，不会出现堆积的情况
• 性能远高于调用R原生sample，因为没有跨语言调用的开销

另外提一句：如果实在不想改Rcpp::sample()，也可以在循环里手动触发GC，比如在test()的循环里每隔几百次调用一次Rcpp::gc()，但这是最不推荐的方法——GC会带来额外的性能损耗，而且只是治标不治本。

内容的提问来源于stack exchange，提问作者user2961927