Haskell 通过并发提高仿真性能

在包含

双精度集的数据结构（为简单起见，称之为列表）上考虑此顺序过程。只要我愿意，就做：

从结构中随机选择两个不同的列表
根据这些列表计算统计数据
根据这个统计数字掷硬币
可能会根据掷硬币的结果修改其中一个列表
目标是最终实现收敛，因此“解决方案”在迭代次数上是线性的。在SO问题中可以看到该程序的实施，这是一个直观的可视化：


通过使用多个工作线程在单独的OS线程上并发执行，似乎可以更好地执行此过程，也就是说，可以更快地实现收敛，例如：


我想一个完美实现的实现应该能够在O（n/p）时间内实现一个解决方案，对于p，可用计算资源的数量

阅读Haskell并发让我头晕目眩的术语有
MVar
，
TVar
，
TChan
，
acid state
，等等。很明显，这个过程的并发实现看起来与其他过程非常不同。但是，这个过程本身看起来本质上是一个非常简单的算法，基本上是一个内存中的数据库，这是一个我相信以前有人遇到过的问题

我猜我将不得不使用某种可变的、并发的数据结构来支持适当的随机访问（即对随机空闲元素的访问）和修改。为了提高性能，当我试图拼凑这可能需要的所有东西时，我有点不知所措（例如，STM似乎有点可疑）

如果目标是在顺序实现的基础上提高性能，那么哪些数据结构、并发概念等适合此类任务？
保持简单：


用于轻巧、超便宜的螺纹
，用于快速、线程安全的共享内存
以及适当的序列类型（可能，如果您只预先结束，可能会列出）
好包裹
和快速随机数源（例如-random-pure64）

你可以稍后再试试更高级的东西。对于原始性能，首先要保持简单：减少锁的数量（例如，每个缓冲区一个锁）；确保编译您的代码并使用线程运行时（
ghc-O2
），您应该有一个很好的开始

RWH有一章介绍并发Haskell的情况。
感谢推送；诚然，有了所有的“爱好者”材料，我一直在某种程度上避免我认为并发性的基础。当我得到一个令人满意的实现时，我可能会更新这个问题。我最终使用了
STM
，这比
MVars
更轻松。下面是一些代码的快照：。除非我使用大量（不必要的）迭代，否则它不会超过我的顺序实现，但我惊讶于它实现起来有多么容易。