Bootstrap modal 并行引导

我假设，或者更确切地说是希望，我有一个单一的可以解决的问题，或者可能有许多较小的问题，应该放弃。无论哪种方式，我对Rcpp都比较陌生，对并行计算一无所知，无法在线找到解决方案

问题通常是，R或R中的一个“致命错误”被卡在一个循环中，大约10次迭代5分钟，而非并行版本将在同一时间进行5K次迭代，粗略地说

由于该算法适用于一个更大的项目，我调用了其他几个函数，这些函数都在Rcpp中，我仅使用“arma”对象重写它们，因为这似乎有助于其他人。我还使用我在Rcpp中编写的“热图”优化器运行了优化部分，同样只在“arma”中运行，没有任何改进-我还应该指出这是作为“arma:：vec”返回的

// [[Rcpp::depends("RcppArmadillo")]]
// [[Rcpp::depends("RcppParallel")]]
#include <RcppArmadillo.h>
#include <RcppParallel.h>
using namespace Rcpp;
using namespace std;
using namespace arma;
using namespace RcppParallel;

struct Boot_Worker : public Worker {

  //Generate Inputs
  // Source vector to keep track of the number of bootstraps
  const arma::vec Boot_reps;

  // Initial non-linear theta parameter values
  const arma::vec init_val;

  // Decimal date vector
  const arma::colvec T_series;

  // Generate the price series observational vector
  const arma::colvec Y_est;
  const arma::colvec Y_res;

  // Generate the optimization constants
  const arma::mat U;
  const arma::colvec C;

  const int N;

  // Generate Output Matrix
  arma::mat Boots_out;

  // Initialize with the proper input and output
  Boot_Worker( const arma::vec Boot_reps, const arma::vec init_val, const arma::colvec T_series, const arma::colvec Y_est, const arma::colvec Y_res, const arma::mat U, const arma::colvec C, const int N, arma::mat Boots_out)
    : Boot_reps(Boot_reps), init_val(init_val), T_series(T_series), Y_est(Y_est), Y_res(Y_res), U(U), C(C), N(N), Boots_out(Boots_out) {}

  void operator()(std::size_t begin, std::size_t end){
    //load necessary stuffs from around

    Rcpp::Environment stats("package:stats");
    Rcpp::Function constrOptim = stats["constrOptim"];
    Rcpp::Function SDK_pred_mad( "SDK_pred_mad");

    arma::mat fake_data(N,2);
    arma::colvec index(N);

    for(unsigned int i = begin; i < end; i ++){

      // Need a nested loop to create and fill the fake data matrix

      arma::vec pool = arma::regspace(0, N-1) ;
      std::random_shuffle(pool.begin(), pool.end());
      for(int k = 0; k <= N-1; k++){
        fake_data(k, 0) = Y_est[k] + Y_res[ pool[k] ];
        fake_data(k, 1) = T_series[k];
      }

      // Call the optimization
      Rcpp::List opt_results = constrOptim(Rcpp::_["theta"]    = init_val,
                                           Rcpp::_["f"]     = SDK_pred_mad,
                                           Rcpp::_["data_in"] = fake_data,
                                           Rcpp::_["grad"] = "NULL",
                                           Rcpp::_["method"] = "Nelder-Mead",
                                           Rcpp::_["ui"] = U,
                                           Rcpp::_["ci"] = C );

      /// fill the output matrix ///

      // need to create an place holder arma vector for the parameter output
      arma::vec opt_param = Rcpp::as<arma::vec>(opt_results[0]);
      Boots_out(i, 0) = opt_param[0];
      Boots_out(i, 1) = opt_param[1];
      Boots_out(i, 2) = opt_param[2];
      // for the cost function value at optimization
      arma::vec opt_value = Rcpp::as<arma::vec>(opt_results[1]);
      Boots_out(i, 3) = opt_value[0];
      // for the number of function calls (?)
      arma::vec counts = Rcpp::as<arma::vec>(opt_results[2]);
      Boots_out(i, 4) = counts[0];
      // for thhe convergence code
      arma::vec convergence = Rcpp::as<arma::vec>(opt_results[3]);
      Boots_out(i, 5) = convergence[0];

    }

  }

};

// [[Rcpp::export]]
arma::mat SDK_boots_test(arma::vec init_val, arma::mat data_in, int boots_n){

  //First establish theta_sp, estimate and residuals
  const int N = arma::size(data_in)[0];

  // Create the constraints for the constrained optimization
  // Make a boundry boundry condition matrix of the form Ui*theta - ci >= 0
  arma::mat U(6, 3);

  U(0, 0) = 1;
  U(1, 0) = -1;
  U(2, 0) = 0;
  U(3, 0) = 0;
  U(4, 0) = 0;
  U(5, 0) = 0;

  U(0, 1) = 0;
  U(1, 1) = 0;
  U(2, 1) = 1;
  U(3, 1) = -1;
  U(4, 1) = 0;
  U(5, 1) = 0;

  U(0, 2) = 0;
  U(1, 2) = 0;
  U(2, 2) = 0;
  U(3, 2) = 0;
  U(4, 2) = 1;
  U(5, 2) = -1;

  arma::colvec C(6);
  C[0] = 0;
  C[1] =  -data_in(N-1, 9)-0.5;
  C[2] = 0;
  C[3] = -3;
  C[4] = 0;
  C[5] = -50;

  Rcpp::Function SDK_est( "SDK_est");
  Rcpp::Function SDK_res( "SDK_res");

  arma::vec Y_est = as<arma::vec>(SDK_est(init_val, data_in));
  arma::vec Y_res = as<arma::vec>(SDK_res(init_val, data_in));

  // Generate feed items for the Bootstrap Worker
  arma::vec T_series = data_in( span(0, N-1), 9);

  arma::vec Boots_reps(boots_n+1);

  // Allocate the output matrix
  arma::mat Boots_out(boots_n, 6);

  // Pass input and output the Bootstrap Worker
  Boot_Worker Boot_Worker(Boots_reps, init_val, T_series, Y_est, Y_res, U, C, N, Boots_out);

  // Now finnaly call the parallel for loop
  parallelFor(0, Boots_reps.size(), Boot_Worker);

  return Boots_out;
}

/[[Rcpp:：depends（“RcppArmadillo”）]]
//[[Rcpp:：dependens（“RcppParallel”）]]
#包括
#包括
使用名称空间Rcpp；
使用名称空间std；
使用arma；
使用名称空间RcppParallel；
结构启动工作程序：公共工作程序{
//产生投入
//跟踪引导次数的源向量
常量arma：：vec引导代表；
//初始非线性θ参数值
常量arma：：vec init_val；
//十进制日期向量
常数arma：：colvec T_系列；
//生成价格序列观测向量
常数arma：：colvec Y__est；
常数arma：：colvec Y_res；
//生成优化常数
常数arma：：mat U；
常数arma：：colvec；
const int N；
//生成输出矩阵
arma：：垫子靴出；
//使用正确的输入和输出进行初始化
引导工人（持续arma:：vec引导代表，持续arma:：vec初始值，持续arma:：colvec T_系列，持续arma:：colvec Y_est，持续arma:：colvec Y_res，持续arma:：mat U，持续arma:：colvec，持续int N，持续arma:：mat引导）
：Boot_reps（Boot_reps）、init_val（init_val）、T_series（T_series）、Y_est（Y_est）、Y_res（Y_res）、U（U）、C（C）、N（N）、Boots_out（Boots_out）{}
void运算符（）（std:：size\u t begin，std:：size\u t end）{
//从周围装载必要的物品
Rcpp:：环境统计（“包：统计”）；
Rcpp:：函数constrOptim=stats[“constrOptim”]；
Rcpp:：函数SDK_pred_mad（“SDK_pred_mad”）；
arma：：mat伪_数据（N，2）；
arma:colvec指数（N）；
for（无符号整数i=begin；i

所以我写回我的“热算法”来解决优化问题，这完全是在Rcpp armadillo中，这大大简化了代码，因为约束被写入了优化器。此外，我删除了随机化，所以它只需要解决相同的优化问题；只是为了看看这是否是唯一的问题。毫无疑问，我仍然是具有相同的“致命错误”

这里是代码：

// [[Rcpp::depends("RcppArmadillo")]]
// [[Rcpp::depends("RcppParallel")]]
#include <RcppArmadillo.h>
#include <RcppParallel.h>
#include <random>
using namespace Rcpp;
using namespace std;
using namespace arma;
using namespace RcppParallel;

struct Boot_Worker : public Worker {

  //Generate Inputs
  // Source vector to keep track of the number of bootstraps
  const arma::vec Boot_reps;

  // Initial non-linear theta parameter values
  const arma::vec init_val;

  // Decimal date vector
  const arma::colvec T_series;

  // Generate the price series observational vector
  const arma::colvec Y_est;
  const arma::colvec Y_res;

  const int N;

  // Generate Output Matrix
  arma::mat Boots_out;

  // Initialize with the proper input and output
  Boot_Worker( const arma::vec Boot_reps, const arma::vec init_val, const arma::colvec T_series, const arma::colvec Y_est, const arma::colvec Y_res, const int N, arma::mat Boots_out)
    : Boot_reps(Boot_reps), init_val(init_val), T_series(T_series), Y_est(Y_est), Y_res(Y_res), N(N), Boots_out(Boots_out) {}

  void operator()(std::size_t begin, std::size_t end){
    //load necessary stuffs from around

    Rcpp::Function SDK_heat( "SDK_heat");

    arma::mat fake_data(N,2);
    arma::colvec index(N);

    for(unsigned int i = begin; i < end; i ++){

      // Need a nested loop to create and fill the fake data matrix

      //arma::vec pool = arma::shuffle( arma::regspace(0, N-1) );

      for(int k = 0; k <= N-1; k++){
        fake_data(k, 0) = Y_est[k] + Y_res[ k ];
        //fake_data(k, 0) = Y_est[k] + Y_res[ pool[k] ];
        fake_data(k, 1) = T_series[k];
      }

      // Call the optimization

      arma::vec opt_results = Rcpp::as<arma::vec>(  SDK_heat(Rcpp::_["data_in"]    = fake_data, Rcpp::_["tol"]     = 0.1) );


      /// fill the output matrix ///

      // need to create an place holder arma vector for the parameter output
      Boots_out(i, 0) = opt_results[0];
      Boots_out(i, 1) = opt_results[1];
      Boots_out(i, 2) = opt_results[2];
      // for the cost function value at optimization
      Boots_out(i, 3) = opt_results[3];

    }

  }

};

// [[Rcpp::export]]
arma::mat SDK_boots_test(arma::vec init_val, arma::mat data_in, int boots_n){

  //First establish theta_sp, estimate and residuals
  const int N = arma::size(data_in)[0];


  Rcpp::Function SDK_est( "SDK_est");
  Rcpp::Function SDK_res( "SDK_res");

  const arma::vec Y_est = as<arma::vec>(SDK_est(init_val, data_in));
  const arma::vec Y_res = as<arma::vec>(SDK_res(init_val, data_in));

  // Generate feed items for the Bootstrap Worker
  const arma::vec T_series = data_in( span(0, N-1), 9);

  arma::vec Boots_reps(boots_n+1);

  // Allocate the output matrix
  arma::mat Boots_out(boots_n, 4);

  // Pass input and output the Bootstrap Worker
  Boot_Worker Boot_Worker(Boots_reps, init_val, T_series, Y_est, Y_res, N, Boots_out);

  // Now finnaly call the parallel for loop
  parallelFor(0, Boots_reps.size(), Boot_Worker);

  return Boots_out;
}

/[[Rcpp:：depends（“RcppArmadillo”）]]
//[[Rcpp:：dependens（“RcppParallel”）]]
#包括
#包括
#包括
使用名称空间Rcpp；
使用名称空间std；
使用arma；
使用名称空间RcppParallel；
结构启动工作程序：公共工作程序{
//产生投入
//跟踪引导次数的源向量
常量arma：：vec引导代表；
//初始非线性θ参数值
常量arma：：vec init_val；
//十进制日期向量
常数arma：：colvec T_系列；
//生成价格序列观测向量
常数arma：：colvec Y__est；
常数arma：：colvec Y_res；
const int N；
//生成输出矩阵
arma：：垫子靴出；
//使用正确的输入和输出进行初始化
Boot_Worker（const arma:：vec Boot_reps，const arma:：vec init_val，const arma:：colvec T_series，const arma:：colvec Y_est，const arma:：colvec Y_res，const int N，arma:：mat Boots_out）
：Boot_reps（Boot_reps），init_val（init_val），T_series（T_series），Y_est（Y_est），Y_res（Y_res），N（N），Boots_out（Boots_out）{}
void运算符（）（std:：size\u t begin，std:：size\u t end）{
//从周围装载必要的物品
Rcpp:：函数SDK_heat（“SDK_heat”）；
arma：：mat伪_数据（N，2）；
arma:colvec指数（N）；
for（无符号整数i=begin；i对于（int k=0；k查看您的代码，我看到以下内容：

struct Boot\u Worker:公共工作者{
[...]      
void运算符（）（std:：size\u t begin，std:：size\u t end）{
//从周围装载必要的物品
Rcpp:：环境统计（“包：统计”）；
Rcpp:：函数constrOptim=stats[“constrOptim”]；
Rcpp:：函数SDK_pred_mad（“SDK_pred_mad”）；
[...]
//调用优化
Rcpp:：List opt_results=constrOptim（Rcpp:：[“theta”]=init_val，
Rcpp:：[“f”]=SDK