Julia.JuMP 比 Python.Cvxpy 慢 15 倍吗？

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：

1. 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)

2. 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。

1. 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。
2. 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。
3. 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。
4. 使用 PackageCompiler https://github.com/JuliaLang/PackageCompiler.jl 来避免一些延迟问题。
5. 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）。