Python 利用多重处理计算图上的最短路径
我目前有一个最短路径算法，它接收图形和原点节点作为输入，并返回图形中所有节点的成本加上树（每个节点的先决条件）。 图表是一本字典，成本和树也是 因为我必须计算所有节点中的最短路径树，所以并行计算是很自然的（因为树彼此独立） 我使用了一个使用多重处理的工作池，并将结果附加到一个列表中（因此我需要一个字典列表） 它运行时没有错误，但有趣的是，处理时间不随工作人员的数量而变化（根本没有变化） 任何关于为什么会发生这种情况的见解都将受到极大的赞赏。代码如下Python 利用多重处理计算图上的最短路径,python,dictionary,multiprocessing,shortest-path,Python,Dictionary,Multiprocessing,Shortest Path,我目前有一个最短路径算法，它接收图形和原点节点作为输入，并返回图形中所有节点的成本加上树（每个节点的先决条件）。 图表是一本字典，成本和树也是 因为我必须计算所有节点中的最短路径树，所以并行计算是很自然的（因为树彼此独立） 我使用了一个使用多重处理的工作池，并将结果附加到一个列表中（因此我需要一个字典列表） 它运行时没有错误，但有趣的是，处理时间不随工作人员的数量而变化（根本没有变化） 任何关于为什么会发生这种情况的见解都将受到极大的赞赏。代码如下 from LoadData import *
from LoadData import *
from ShortestPathTree import shortestPath
from time import clock, sleep
from multiprocessing import Pool, Process, cpu_count, Queue
def funcao(G,i):
costs, pred=shortestPath(G,i)
return pred
def main():
#loads the graph
graph="graph.graph"
G = load_graph(graph)
# loads the relevant nodes (CENTROIDS)
destinations="destinations.graph"
DEST = load_relevant_nodes(destinations)
f = open('output_parallel.out','w')
start=clock()
pool=Pool()
resultados=[]
def adder(value):
resultados.append(value)
#for i in range(len(DEST)):
for i in range(486):
pool.apply_async(funcao, args=(G,DEST[i]), callback=adder)
pool.close()
pool.join()
print clock()-start
print >> f, resultados
print >> f, 'seconds: '+ str(clock()-start)
原来@abarnert把它钉在了他的头上，他问每个电话花了多长时间。输入的数据中存在一个问题，使得每个呼叫都非常容易应答，因此为多个工作人员发送任务的开销补偿了性能的提高
The results I get now that the input data was corrected are:
感谢@abarnert的伟大洞察力 如果将
pool=pool（）pool=pool（processs=4）apply\u asyncimap\u unorderedmap\u asyncmapapply_asyncmapfuncaofuncao