如何解决Julia.JuMP 比 Python.Cvxpy 慢 15 倍吗?
我试图解决一个简单的优化问题,首先是通过 Python.Cvxpy 框架,然后是 Julia.JuMP 框架,但 Julia.JuMP 公式要慢 15 倍。
我的优化问题:
- 在 Python.Cvxpy 中:(运行时间:4 秒)
# Run: time python this_file.py
import cvxpy as cp
import numpy as np
n = 2
b = np.array([2,3])
c1 = np.array([[3,4],[1,0],[0,1]])
c2 = [1,0]
x = cp.Variable(n)
prob = cp.Problem( cp.Minimize(b@x),[ c1@x >= c2 ])
prob.solve(cp.MOSEK) # FOSS alternative: prob.solve(cp.GLPK)
print('Solution:',prob.value)
- 在 Julia.JuMP 中:(运行时间:1 分 7 秒)
# Run: time julia this_file.jl
using JuMP
using Mosek,MosekTools # FOSS alternative: using GLPK
function compute()
n = 2
b = [2,3]
c1 = [3 4 ; 1 0 ; 0 1]
c2 = [1,0]
prob = Model(optimizer_with_attributes(Mosek.Optimizer))
# FOSS alternative: Model(optimizer_with_attributes(GLPK.Optimizer))
@variable(prob,x[1:n])
@objective(prob,Min,b'*x)
@constraint(prob,c1*x .>= c2)
JuMP.optimize!(prob)
println("Solution: ",JuMP.objective_value(prob))
end;
compute()
是否有固定 Julia.JuMP 代码的提示或技巧?
解决方法
超过 1 分钟是多余的。您是否更新了软件包或其他内容并重新编译?
这是我得到的;
(base) oscar@Oscars-MBP lore % cat ~/Desktop/discourse.jl
@time using JuMP
@time using GLPK
function compute()
n = 2
b = [2,3]
c1 = [3 4 ; 1 0 ; 0 1]
c2 = [1,0]
prob = Model(GLPK.Optimizer)
@variable(prob,x[1:n])
@objective(prob,Min,b' * x)
@constraint(prob,c1 * x .>= c2)
optimize!(prob)
println("Solution: ",objective_value(prob))
end
@time compute()
@time compute()
(base) oscar@Oscars-MBP lore % time ~/julia --project=/tmp/jump ~/Desktop/discourse.jl
4.070492 seconds (8.34 M allocations: 599.628 MiB,4.17% gc time,0.09% compilation time)
0.280838 seconds (233.24 k allocations: 16.040 MiB,41.37% gc time)
Solution: 0.6666666666666666
12.746518 seconds (17.74 M allocations: 1.022 GiB,3.71% gc time,44.57% compilation time)
Solution: 0.6666666666666666
0.000697 seconds (2.87 k allocations: 209.516 KiB)
~/julia --project=/tmp/jump ~/Desktop/discourse.jl 22.63s user 0.55s system 100% cpu 23.102 total
分解
- 总计:23 秒
- 其中,4 秒是
using JuMP
- 13 秒是第一次解决
- ~0 秒是第二次求解
- 这样还有 6 秒的时间启动 Julia
我们正在努力改进 using JuMP
和我们的“首次解决时间”问题,但在此期间您可以做一些事情。
- 不要通过
julia file.jl
运行脚本。打开 Julia 一次并使用 REPL。这避免了 6 秒的开销。 - 在一个会话中解决多个 JuMP 模型。您只需支付 13 秒一次。第二个解决方案很快。
- 解决更大的模型。如果求解时间以分钟为单位,您可能不会关心 13 秒的启动时间。
- 使用 PackageCompiler https://github.com/JuliaLang/PackageCompiler.jl 来避免一些延迟问题。
- 使用不同的工具。如果您的工作流程是要解决许多小的优化问题,而您无法执行上述操作,那么此时 JuMP 可能不是适合该工作的工具(尽管我们计划在未来改进延迟问题)。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。