Julia 使用rand（）改进性能

我正在对伊辛模型进行蒙特卡罗模拟。总的来说，代码相当高效。以下函数的调用次数约为1000万次：

function stepFlip(sim::Ising)
    i = rand(1:sim.n)
    j = rand(1:sim.n)

    dE = dEnergy(i, j, sim)

    if dE < 0 || rand() < exp(-dE/sim.T)
        sim.spins[i,j] *= -1
    end
end

功能单步翻转（sim:：Ising）
i=兰特（1:sim.n）
j=兰特（1:sim.n）
dE=能量（i，j，sim）
如果dE<0 | | rand（）

---

我有没有办法优化随机数生成，这是占用大部分执行时间的原因？我知道预生成所有内存并按我称之为stepFlip的方式读取它们可能会更快，但在这一点上，如果我的目标是性能，那么分配所有内存是否值得呢？

也许可以帮助您。此外，还有很多PRNG，有时性能差异很大——而Mersenne Twister（Julia中的默认设置）可能非常慢，IIRC。但是您应该测试它——可以找到几个实现。您确定

rand

s占用了大部分时间吗？你分析过模拟吗？在1000万左右，我猜

rand

s总共不到一秒钟。在我的（旧笔记本）电脑上，运行

rand（1:100）

两次乘以1000万，需要0.2秒。这真的是一个瓶颈吗？预生成它们可能不会更快，但会占用更多内存。中实现了用于julia的快速随机数生成器。如果兰德真的是你的瓶颈，那么这是你加速这一代人的唯一途径。Xoroshiro家族有一些很好的快速算法，但这完全取决于你的随机性/速度权衡。还有一个更快的

rand（a:b）

实现也许可以帮助你。此外，还有很多PRNG，有时性能差异很大——而Mersenne Twister（Julia中的默认设置）可能非常慢，IIRC。但是您应该测试它——可以找到几个实现。您确定

rand

s占用了大部分时间吗？你分析过模拟吗？在1000万左右，我猜

rand

s总共不到一秒钟。在我的（旧笔记本）电脑上，运行

rand（1:100）

两次乘以1000万，需要0.2秒。这真的是一个瓶颈吗？预生成它们可能不会更快，但会占用更多内存。中实现了用于julia的快速随机数生成器。如果兰德真的是你的瓶颈，那么这是你加速这一代人的唯一途径。Xoroshiro家族有一些很好的快速算法，但这完全取决于您的随机性/速度权衡。在