Haskell中函数合成的运行时

做

或

---

尝试按降序对整数列表排序时运行得更快？

我使用

（reverse.sort）

和

（sortBy（向下比较））

启动了一个标准测试排序。要排序的列表是按顺序和反向顺序排列的（应该是最坏和最好的情况，不一定按顺序排列）

代码 总结结果 撤销清单是昂贵的。使用

反向

的最佳案例测试仍然显著（统计上）慢于使用

排序的最坏案例

平均运行时间为：

• 排序，最坏情况：552us
• 排序，最佳情况：308us
• 糟糕的是，最坏的情况是：263us
• 排序，最佳情况：168us

做

相反。排序

或

sortBy

尝试按降序对整数列表排序时运行得更快

---

sortBy

会更快。在

reverse中

遍历整个列表，因此

reverse。排序

将遍历整个列表两次。事实上，另一个答案的基准非常接近

reverse的两倍。排序

！如果使用

sortBy

只需翻转比较测试，因此在所有情况下都是首选。

性能肯定取决于输入的顺序，但我不确定在使用这些函数时如何操作。为什么不试试看呢？使用标准或在命令行中简单地使用

+RTS-s-RTS

为每个标准编写一个简单的案例。我想

sortBy

更快，因为

sort

是根据

sortBy

定义的，并且通过使用不同的比较函数可以避免通过

reverse

进行额外的遍历。但是我不知道这个比较如何衡量函数组合的成本。我不相信你的结果是准确的。您只对WHNF求值，这意味着大多数输出可能永远不会排序。可能是排序结果。排序应该是准确的。对NF进行评估的结果为347/598us进行排序，224/316us。排序结果与WHNF相差约40 US，排序结果与WHNF相差约54 US。在统计上，最好的反向和最坏的反向之间的差异仍然显著。此外，就复杂性而言，使用

reverse。sort

添加额外的O（n）操作进行排序，而sortBy（最坏情况下）添加常量因子。事实证明，sort和sortBy的比较算法只是同一算法的反向版本（因此具有相似的性能），并且都使用相同的排序算法，因此O（n）步是基准中的决定因素。是的，虽然评估策略确实影响总体时间，它似乎没有改变相对性能。我确实看到了一个奇怪的差异，在两个系统上（使用

nf

或

whnf

），sortBy的最坏情况始终比sort的最佳情况稍慢。并不是说它使

相反。排序

更好的选择。@JohnL不足为奇。NF不应该是必要的。WHNF是spine严格的，因为您正在评估排序列表的spine（不是任何中间步骤），并且所有元素都是为了比较而评估的，所以NF只是对列表进行额外的O（n）遍历，强制每个元素（不必要地）。至于你的结果，你是用

-O2

编译的吗？

reverse . sort

sortBy

import Criterion
import Criterion.Main

import Data.List
import Data.Ord

main :: IO ()
main = defaultMain [ bench "Sort, forward" (whnf (reverse . sort) ([1..10000] :: [Int]))
                   , bench "Sort, backward" (whnf (reverse . sort) ([10000,9999..1] :: [Int]))
                   , bench "sortby, forward" (whnf (sortBy (comparing Down)) ([1..10000] :: [Int]))
                   , bench "sortby, backward" (whnf (sortBy (comparing Down))  ([10000,9999..1] :: [Int]))
                   ]

{-
warming up
estimating clock resolution...
mean is 2.290904 us (320001 iterations)
found 79468 outliers among 319999 samples (24.8%)
  734 (0.2%) low severe
  78734 (24.6%) high severe
estimating cost of a clock call...
mean is 512.8809 ns (23 iterations)
found 4 outliers among 23 samples (17.4%)
  2 (8.7%) high mild
  2 (8.7%) high severe

benchmarking Sort, forward
mean: 551.4973 us, lb 549.7330 us, ub 553.6538 us, ci 0.950
std dev: 9.998922 us, lb 8.400519 us, ub 12.37726 us, ci 0.950
found 4 outliers among 100 samples (4.0%)
  4 (4.0%) high mild
variance introduced by outliers: 11.316%
variance is moderately inflated by outliers

benchmarking Sort, backward
mean: 307.6627 us, lb 306.6471 us, ub 308.9350 us, ci 0.950
std dev: 5.790552 us, lb 4.777178 us, ub 7.103792 us, ci 0.950
found 9 outliers among 100 samples (9.0%)
  7 (7.0%) high mild
  2 (2.0%) high severe
variance introduced by outliers: 11.365%
variance is moderately inflated by outliers

benchmarking sortby, forward
mean: 168.2486 us, lb 167.7343 us, ub 168.8683 us, ci 0.950
std dev: 2.880548 us, lb 2.448853 us, ub 3.394461 us, ci 0.950
found 4 outliers among 100 samples (4.0%)
  4 (4.0%) high mild
variance introduced by outliers: 9.467%
variance is slightly inflated by outliers

benchmarking sortby, backward
mean: 262.6001 us, lb 261.3540 us, ub 264.1395 us, ci 0.950
std dev: 7.096662 us, lb 6.053786 us, ub 8.634885 us, ci 0.950
found 3 outliers among 100 samples (3.0%)
  3 (3.0%) high mild
variance introduced by outliers: 20.965%
variance is moderately inflated by outliers
-}