[Python]profile优化实践(基于A*算法)

本文由恋花蝶发表于http://blog.csdn.net/lanphaday

欢迎转载,但敬请保留全文完整,并包含本声明.

[Python]profile优化实践(基于A*算法)

在《用profile协助程序性能优化》一文中,我们学习了python用以协助性能优化的模块——profile/hotshot/timeit等,但缺少一个实例来让我们动手尝试,今天我拿以前写的A*算法的python实现来开刀,临床实验。

实验用的代码可以从我以前发在blog上的文章《基本A*算法python实现》(http://blog.csdn.net/lanphaday/archive/<chsdate isrocdate="False" islunardate="False" day="11" month="10" year="2006" w:st="on">2006/10/11</chsdate>/1329956.aspx)里找到,你可以从那里了解或者重温一下A*算法;不过为了使用profile,我做了一些小小的改动,所以建议你从这里(暂未能提供)下载本文相关的所有示例代码(已将每一次改进保存到独立的.py文件)以及profile的输出文档。

下面,让我们开始吧!

得来全不费功夫

定位热点

拿到代码后,可以看到代码的入口如下:

if __name__ == "__main__":

import profile, pstats

profile.run("main()", "astar_prof.txt")

p = pstats.Stats("astar_prof.txt")

p.strip_dirs().sort_stats("time").print_stats(10)

代码段1

profile.run执行main()函数,并把输出保存到astar_prof.txtpstats.Stats的实例p把统计结果以”time”key排序后打印出前10条。执行一下,输出结果如下:

62468 function calls in 1.258 CPU seconds

Ordered by: internal time

List reduced from 27 to 10 due to restriction <10>

ncalls tottime percall cumtime percall filename:lineno(function)

5713 0.581 0.000 0.581 0.000 origine.py:156(node_in_close)

33818 0.208 0.000 0.208 0.000 origine.py:111(get_dist)

778 0.178 0.000 0.387 0.000 origine.py:99(get_best)

778 0.150 0.000 0.851 0.001 origine.py:119(extend_round)

2933 0.048 0.000 0.048 0.000 origine.py:162(node_in_open)

6224 0.028 0.000 0.028 0.000 origine.py:168(is_valid_coord)

5714 0.022 0.000 0.022 0.000 origine.py:46(__init__)

5713 0.021 0.000 0.021 0.000 origine.py:148(get_cost)

1 0.016 0.016 1.256 1.256 origine.py:71(find_path)

778 0.003 0.000 0.003 0.000 origine.py:96(is_target)

输出1

其中node_in_close()函数用以检测可扩展的节点是否在close表中,这个简单的函数占用了46%的运行时间,差不多是排第二的get_dist()函数的三倍,我们的优化显然应该从node_in_colse()入手。优化一个函数,第一个方法应该是减少它的调用次数,然后才是优化这个函数本身,所以我们先在“代码段1”后面加入一条语句,用以查看哪个函数调用了node_in_close()

p.print_callers("node_in_close")
输出结果如下:

Ordered by: internal time

List reduced from 27 to 1 due to restriction <'node_in_close'>

Function was called by...

origine.py:156(node_in_close) origine.py:119(extend_round)(5713) 0.851

输出2

我们看到只有extend_round函数调用了node_in_close(),看起来情况相当简明,extend_round()函数用以扩展搜索空间,有关node_in_close的代码段如下:

#构造新的节点

node = Node_Elem(p, new_x, new_y, p.dist+self.get_cost(

p.x, p.y, new_x, new_y))

#新节点在关闭列表,则忽略

if self.node_in_close(node):

continue

代码段2

从“代码段2”可以看到根据A*算法我们必然要检测node是否在close表中,所以无法在extend_round()中减少对node_in_close()函数的调用了。那我们只好在node_in_close()函数里找突破口:

def node_in_close(self, node):

for i in self.close:

if node.x == i.x and node.y == i.y:

return True

return False

代码段3

马上可以看出这是一个对list的线性查找,在close表变得很大的时候,这种复杂度为O(N)的线性算法是相当耗时的,如果能转化为O(logN)的算法那就能节省不少时间了。O(logN)的查找算法基于两个数据结构,一个是有序表,另一个是二叉查找树。显然,对于频繁插入而不删除元素的list保持有序的代价非常大,使用查找树是我们更好的选择。

修改代码

在程序里加入二叉查找树支持非常简单,python2.3开始增加了sets模块,提供了以RB_tree为底层数据结构的Set类:

from sets import Set as set
然后在把close表初始化为一个空set

self.close = set()
self.close.append(p)语句替换为:

self.close.add(p)
最关键的是重写node_in_close()函数为:

def node_in_close(self, node):

return node in self.close

代码段4

简简单单就可以了,但这时候程序还不能运行,因为原来的Node_Elem类并不支持__hash____eq__函数,这样set就无法构造也无法查找元素了,所以最后一步是为Node_Elem增加这两个函数:

class Node_Elem:

def __init__(self, parent, x, y, dist):

# …

self.hv = (x << 16) ^ y

def __eq__(self, other):

return self.hv == other.hv

def __hash__(self):

return self.hv

代码段5

在构造函数中,我们加了一句self.hv=(x<<8)^y来计算一个Node_Elem元素的hash值,因为坐标相同的两个节点我们认为是相等的且坐标数值不会很大,所以这个hash函数可以保证不会产生冲突。大功告成之后我们运行一下看看:

78230 function calls in 0.845 CPU seconds

Ordered by: internal time

List reduced from 33 to 10 due to restriction <10>

ncalls tottime percall cumtime percall filename:lineno(function)

33818 0.205 0.000 0.205 0.000 astar.py:120(get_dist)

778 0.179 0.000 0.383 0.000 astar.py:108(get_best)

778 0.150 0.000 0.426 0.001 astar.py:128(extend_round)

5713 0.068 0.000 0.097 0.000 sets.py:292(__contains__)

5713 0.052 0.000 0.149 0.000 astar.py:165(node_in_close)

2933 0.050 0.000 0.050 0.000 astar.py:172(node_in_open)

6224 0.028 0.000 0.028 0.000 astar.py:178(is_valid_coord)

5714 0.028 0.000 0.028 0.000 astar.py:48(__init__)

6490 0.021 0.000 0.021 0.000 astar.py:58(__hash__)

5713 0.021 0.000 0.021 0.000 astar.py:157(get_cost)

输出3

我们可以看到,总的运行时间已经从1.258s下降到0.845s,而且node_in_close函数占用的时间已经相当少,不过因为node_in_close只在一个地方被调用,而且函数体本身就非常简单,那么我们可以去掉这个函数,直接在extend_round里进行判断,可以省下几千次函数调用的时间。

在这一步优化里,我们可以看到使用合适的数据结构可以增进数十倍的性能(使用list用时0.581s,使用set用时0.052s),随着地图的增大,这个比例将会更大。而profile也在这一个小节里初显身手,下一步又该怎么样去优化呢?

柳暗花明又一村

定位热点

从上节的“输出<chmetcnv w:st="on" unitname="”" sourcevalue="3" hasspace="False" negative="False" numbertype="1" tcsc="0"><span lang="EN-US"><font face="Times New Roman">3</font></span><span style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">”</span></chmetcnv>我们可以看到现在占用时间最多的就是get_dist()函数了,get_dist()函数用以估算从起点到终点经过节点i的路径的距离,使用的公式是:

F = G + H

其中G为从起始点到节点i已经走过的距离,这是已经计算好的数值,对应于i.distH是从节点i到终点的距离的预计值,即A*算法的启发值,在这里简单地通过两点间的距离公式(距离乘以放大系数1.2)来估计,代码如下:

def get_dist(self, i):

return i.dist + math.sqrt(

(self.e_x-i.x)*(self.e_x-i.x)

+ (self.e_y-i.y)*(self.e_y-i.y))*1.2

代码6

很短的代码,我们根据经验一眼就看出math.sqrt()函数调用肯定占用了大部分时间,但到底有多少,我们就很难说得上来了,这时候我就可以借助小巧的timeit模块来计算一下math.sqrt()函数的代价。在Python脚释器中执行下面的语句:

>>> import timeit

>>> t = timeit.Timer("math.sqrt(0.99)","import math")

>>> t.timeit(33818)

0.016204852851409886

执行33818math.sqrt()不过用时0.016s,仅仅占get_dist()总用时0.205s的不到10%,事实证明经验并不可靠,我们要的是小心求证的精神和熟练地使用工具。像外行一样思考,像专家一样实践——堪称我们程序员的行动纲领。

如果get_dist()最耗时的部分并不是math.sqrt()的调用,那什么会是什么呢?乘法?”.”操作符?这些我们很难确定,那么试图从get_dist()函数内部进行优化就显得没有根据了。这时可以猜测能否减少get_dist()的调用呢?看看谁调用了get_dist()

Ordered by: internal time

List reduced from 32 to 1 due to restriction <'get_dist'>

Function was called by...

astar.py:120(get_dist) astar.py:108(get_best)(33818) 0.400

输出4

看看唯一的调用了get_dist()的函数get_best(),我们心里不由地涌起似曾相识的感觉:

def get_best(self):

best = None

bv = 1000000 #如果你修改的地图很大,可能需要修改这个值

bi = -1

for idx, i in enumerate(self.open):

value = self.get_dist(i)#获取F

if value < bv:#比以前的更好,即F值更小

best = i

bv = value

bi = idx

return bi, best

代码段7

又是一个O(N)的线性遍历!真是柳暗花明又一村,我们完全可以故伎重演嘛!事不宜迟,马上动手!

修改代码

还是把open表从list改为set吗?别被习惯套住了思路!在A*算法中,对open表最多的操作是从open表中取一个F值最小的节点,即get_best()函数的功用。set并没有提供快速获取最小值的接口,从set取得最小值仍然需要进行O(N)复杂度的线性遍历,这表明set并不是最好的存储open表的数据结构。还记得什么数据结构具有O(1)复杂度获取最小/最大值吗?对,就是堆!python对通过heapq模块对堆这种数据结构提供了良好的支持,heapq实现的是小顶堆,这就更适合A*算法了。

首先导入heapq模块的API

from heapq import heappop,heappush

不再调用get_best()函数,直接使用heappop() API取得最小值

#获取F值最小的节点

#bi, bn = self.get_best()

p = heappop(self.open)

extend_round函数里的self.open.append(node)替换为heappush(self.open, node)
这时候因为不再调用get_best()函数,所以我们可以把get_best()get_dist()函数删除,同时为了使Node_Elem类型的节点能够计算F值和比较大小,我们需要对Node_Elem的实现作一些改变:

class Node_Elem:

def __init__(self, parent, x, y, ex, ey, dist):

# …

self.dist2end = math.sqrt((ex-x)*(ex-x)+(ey-y)*(ey-y))*1.2

def __le__(self, other):

return self.dist+self.dist2end <= other.dist+other.dist2end

代码段8

1、构造函数增加了两个参数ex,ey用以在构造实例时即计算从x,y到终点的估计距离,这可以减少math.sqrt()的调用;2、重载__le__()函数,用以实现Node_Elem实例间的大小比较。运行程序,可以发现找到的路径变得比较曲折,不过实事上路径的长度与原来是一样的而且搜索过的节点数目/位置都是一样的;路径不同的原因在于heap存储/替换节点的策略与直接用list有所不同罢了。profile输出的结果是:

47823 function calls in 0.561 CPU seconds

Ordered by: internal time

List reduced from 35 to 10 due to restriction <10>

ncalls tottime percall cumtime percall filename:lineno(function)

778 0.178 0.000 0.459 0.001 astar.py:120(extend_round)

5713 0.071 0.000 0.101 0.000 sets.py:292(__contains__)

5714 0.053 0.000 0.053 0.000 astar.py:48(__init__)

2933 0.047 0.000 0.047 0.000 astar.py:157(node_in_open)

778 0.031 0.000 0.059 0.000 heapq.py:226(_siftup)

6224 0.029 0.000 0.029 0.000 astar.py:163(is_valid_coord)

1624 0.025 0.000 0.035 0.000 heapq.py:174(_siftdown)

5876 0.024 0.000 0.024 0.000 astar.py:64(__le__)

6490 0.021 0.000 0.021 0.000 astar.py:60(__hash__)

5713 0.021 0.000 0.021 0.000 astar.py:149(get_cost)

输出5

我们可以看到总的运行时间已经下降到0.561s,仅为之前的运行时间(0.845s)的三分之二,这真是鼓舞人心的结果。

常恨春归无觅处

从“输出<chmetcnv w:st="on" unitname="”" sourcevalue="5" hasspace="False" negative="False" numbertype="1" tcsc="0"><span lang="EN-US"><font face="Times New Roman">5</font></span><span style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">”</span></chmetcnv>可以看出现在的热点是extend_round(),我们马上可以动手吗?不,extend_round比刚才优化掉的node_in_close()/get_best()之类的函数复杂太多了:循环中又分支,分支中还有分支,调用了近十个函数,而且从“输出<chmetcnv w:st="on" unitname="”" sourcevalue="5" hasspace="False" negative="False" numbertype="1" tcsc="0"><span lang="EN-US"><font face="Times New Roman">5</font></span><span style="FONT-FAMILY: 宋体; mso-ascii-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'">”</span></chmetcnv>可以得出extend_round()运行的时间大部分被它调用的外部函数占用了,真是错踪复杂。要想从一个这么复杂的函数中找出真正的热点,我们可以借助pstats.Stats.print_callees()函数输出extend_round()函数调用,在代码中增加:

p.print_callees("extend_round")
运行可以得到如下输出:

Ordered by: internal time

List reduced from 35 to 1 due to restriction <'extend_round'>

Function called...

astar.py:120(extend_round) astar.py:48(__init__)(5713) 0.053

astar.py:149(get_cost)(5713) 0.021

astar.py:157(node_in_open)(2933) 0.047

astar.py:163(is_valid_coord)(6224) 0.029

heapq.py:131(heappush)(846) 0.030

sets.py:292(__contains__)(5713) 0.101

输出6

这样看起来仍然不够明朗,我们可以借助MS Excel构造一个图表,如下:

[Python]profile优化实践(基于A*算法)

<shapetype id="_x0000_t75" coordsize="21600,21600" o:spt="75" o:preferrelative="t" path="m@4@5l@4@11@9@11@9@5xe" filled="f" stroked="f"><stroke joinstyle="miter"></stroke><formulas><f eqn="if lineDrawn pixelLineWidth 0"></f><f eqn="sum @0 1 0"></f><f eqn="sum 0 0 @1"></f><f eqn="prod @2 1 2"></f><f eqn="prod @3 21600 pixelWidth"></f><f eqn="prod @3 21600 pixelHeight"></f><f eqn="sum @0 0 1"></f><f eqn="prod @6 1 2"></f><f eqn="prod @7 21600 pixelWidth"></f><f eqn="sum @8 21600 0"></f><f eqn="prod @7 21600 pixelHeight"></f><f eqn="sum @10 21600 0"></f></formulas><path o:extrusionok="f" gradientshapeok="t" o:connecttype="rect"></path><lock v:ext="edit" aspectratio="t"></lock></shapetype><shape id="_x0000_i1025" style="WIDTH: 414.75pt; HEIGHT: 213pt; mso-wrap-style: square; mso-position-horizontal-relative: page; mso-position-vertical-relative: page; mso-wrap-distance-left: 9.05pt; mso-wrap-distance-right: 9.05pt" type="#_x0000_t75" o:ole=""><fill o:detectmouseclick="t"></fill><imagedata src="file:///C:%5CDOCUME~1%5Cowner%5CLOCALS~1%5CTemp%5Cmsohtml1%5C03%5Cclip_image001.wmz" o:title=""></imagedata><lock v:ext="edit" aspectratio="f"></lock></shape>

1

一图胜过千言,我们从图1可以看出extend_round调用的函数占总时间的三分之二左右,所以减少函数调用是我们的重点,但extend_round本身也占用了38%的运行时间,更合理地重新组织extend_round的代码是有必要的。下面我们就随着extend_round的源码来分析修正:

分享到:
评论
javayestome
  • 浏览: 243576 次
  • 性别: Icon_minigender_2
  • 来自: 北京
文章分类
社区版块
存档分类
最新评论

你可能感兴趣的:(数据结构,算法,python,F#,ext)