python中CPU密集型优化简单样例

目录

一、计算斐波那契数列

二、优化版本：

一、计算斐波那契数列

对于 CPU 密集型任务，主要的优化策略是利用多线程或多进程并行处理任务，以充分利用多核 CPU 的性能：

正常版本样例：

def fibonacci(n):
    if n <= 1:
        return n
    else:
        return fibonacci(n-1) + fibonacci(n-2)

# 计算斐波那契数列的第 35 项（会耗费较长时间）
result = fibonacci(35)
print("Result:", result)

二、优化版本：

我们利用了多线程并行计算斐波那契数列的不同项。通过创建多个线程，每个线程负责计算斐波那契数列的一项，可以充分利用多核 CPU 的性能，并在一定程度上提高了计算效率：

import threading

def fibonacci(n):
    if n <= 1:
        return n
    else:
        return fibonacci(n-1) + fibonacci(n-2)

def calculate_fibonacci(n, result_list):
    result_list[n] = fibonacci(n)

def main():
    n = 35
    result_list = [None] * (n + 1)
    threads = []

    # 创建多个线程并行计算斐波那契数列的不同项
    for i in range(n + 1):
        t = threading.Thread(target=calculate_fibonacci, args=(i, result_list))
        threads.append(t)
        t.start()

    # 等待所有线程完成
    for t in threads:
        t.join()

    # 计算结果
    result = result_list[n]
    print("Result:", result)

# 运行主函数
main()

三、优化版本二：

但对于 CPU 密集型任务，由于 Python 的全局解释器锁（GIL）限制，多线程并不一定能够真正实现并行计算，提出下面优化版本，使用 multiprocessing 模块来创建多个进程并行计算斐波那契数列的不同项：

import multiprocessing

def calculate_fibonacci(n, result_list):
    result_list[n] = fibonacci(n)

def main():
    n = 35
    result_list = multiprocessing.Array('i', n + 1)
    processes = []

    # 创建多个进程并行计算斐波那契数列的不同项
    for i in range(n + 1):
        p = multiprocessing.Process(target=calculate_fibonacci, args=(i, result_list))
        processes.append(p)
        p.start()

    # 等待所有进程完成
    for p in processes:
        p.join()

    # 计算结果
    result = result_list[n]
    print("Result:", result)

# 运行主函数
main()