28、优化慢速代码与数据库设计指南

优化慢速代码与数据库设计指南

1. 处理整体运行缓慢的代码

在编程过程中,有时会遇到代码整体运行缓慢,却又难以找出原因的情况。以下提供了一些可以尝试的优化方法:
- 检查对象分配 :过多的对象分配可能是 Ruby 代码运行缓慢的常见原因。可以使用 memory_profiler 库来找出需要减少对象分配的地方,该库能显示按 gem、文件甚至行分配和保留的内存量和对象数量。
- 代码路径调整 :尝试将频繁执行的代码移动到不那么常用的代码路径中。例如,查看类的 initialize 方法,若有可移动到单独方法的代码,将其移动后通常能提升性能。但在优化前需进行基准测试以建立基线,优化后再与基线比较。
- 变量缓存 :合理使用局部变量和实例变量进行缓存,能将未优化代码的性能提升三倍甚至更多。
- 微优化
- 对于数组,使用 array[0] array[-1] 代替 array.first array.last ,因为 Ruby 虚拟机对 [] 方法的内部优化更好。
- 在 Ruby 3.0 中,使用 Hash[hash] 创建新的哈希对象比 hash.dup 更快。
- 不过,虚拟机的内部优化可能因版本而异,每次发布新的 Ruby

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值