成寿寺网站建设公司,网站建设怎么估算费用和报价,哪家网站建设公司,网站建设怎样才能吸引顾客文章目录 基础内容生成器介绍保存和恢复生成器的状态 参考文章#xff1a;
SimPy Discrete event simulation for Pythonpython离散事件仿真库SimPy官方教程离散事件仿真原理DES
基础内容
生成器介绍
离散事件仿真库Simpy的执行效率之所以很高#xff0c;关键在于生成器的… 文章目录 基础内容生成器介绍保存和恢复生成器的状态 参考文章
SimPy Discrete event simulation for Pythonpython离散事件仿真库SimPy官方教程离散事件仿真原理DES
基础内容
生成器介绍
离散事件仿真库Simpy的执行效率之所以很高关键在于生成器的使用在Python中通过yield来暂时停止进程再次调用时才从中断的位置开始。这会有什么特点呢就是程序并不需要在一开始完全执行而是随着一点点推进调用的时候才执行相应的操作因此它不像常规的序列如列表一样在内存中保存所有的元素值这种惰性计算地特性显著地减少了内存使用但也使得生成器对象的状态不容易序列化和反序列化。
如下是一个简单的例子
def generator(n):while True:for j in range(n):yield j100先创建一个生成器并进行调用得到的返回值如下
a generator(3)
print(next(a))
print(next(a))
print(next(a))注意yield 中断的是具体生成器的进程因此创建多个不同生成器一个对象也可以有多个生成器可以实现多事件线的启停这种特性非常适合用来进行离散仿真。 对于同一个生成器调用3次返回的结果为
100
101
102那继续调用呢调用6次后的返回结果如下
100
101
102
100
101
102由于 while True 的存在且暂无终止条件只要一直调用生成器就会一直抛出计算结果。
保存和恢复生成器的状态
现在我想实现这么个功能就是生成器在调用到一半的时候对他进行复制并希望复制的新的生成器能从源生成器的中断位置继续执行如下代码在第一次调用 a 生成器时返回 100复制为 b 生成器希望 b 的下次调用抛出 101那么执行后会出现什么情况
def generator(n):while True:for j in range(n):yield j100a generator(3)
print(next(a))b deepcopy(a)
print(next(b))结果会返回类型错误。
TypeError: cannot pickle generator object前面提到生成器对象的状态不容易序列化和反序列计算结果并不存储在内存中这就使得我们如果想要保存生成器的状态并进行复制就只能考虑将这些生成器的值保存到可序列化的数据结构当中比如列表或元组通过这些可序列化的数据结构来保存生成器的状态。那如何基于这些保存的可序列化的数据进行恢复呢我们知道生成器暂停进程以及抛出一次次的计算结果是因为函数 yield因此恢复生成器状态只需要模拟生成器照常记录计算结果在计算结果到达记录状态之前跳过yield。
为了恢复数据需要记录生成器的当前状态以及需要恢复的状态这里我们建立一个 event 类初始化的成员属性如下
class event:def __init__(self) - None:self.record [] # 当前状态self.from_record [] # 待恢复状态记录当前状态需要在每次运行到 yield 之前进行记录这里记录的内容不一定是要yield语句的执行内容可以只是一些标记的关键数据。
class event:def __init__(self) - None:self.record []self.from_record []def generator(self, n):while True:for j in range(n):self.record.append(j100)yield j100记录完当前状态后将当前状态与待恢复状态进行比较如果不同则跳过 yield若相同则释放到 yield 并完成状态的恢复。并建立一个成员方法 set_init_record 用来定义生成器的起始状态。 这里记录的状态可以是任何数据结构当前状态和待恢复状态之间的比较也可以是任何逻辑运算但要注意不论是记录状态还是对比恢复状态的操作都是放在 yield 语句之前不改变外层的循环。 class event:def __init__(self) - None:self.record []self.from_record []def generator(self, n):while True:for j in range(n):self.record.append(j100)if len(self.record) len(self.from_record):continueelse:yield j100def set_init_record(self, init_record):self.from_record init_record此时通过复制一个 event 对象的当前记录信息将记录信息作为起始状态传入另一个 event 对象即实现了生成器的状态复制进行如下实验
a event()
a_g a.generator(3)
print(f\na的抛出: , next(a_g))b event()
b.set_init_record(deepcopy(a.record))
b_g b.generator(3)
print(f\nb的抛出: , next(b_g))
print(fb的抛出: , next(b_g))
print(fb的抛出: , next(b_g))
print(fb的抛出: , next(b_g))
print(fb的抛出: , next(b_g))输出结果为
a的抛出: 100b的抛出: 101
b的抛出: 102
b的抛出: 100
b的抛出: 101
b的抛出: 102显然的这种方式相当于做了个标记跳过了事件抛出的过程但是所有的计算步骤都会重新执行一遍但它是完完整整地恢复了整个生成器。因此换个思路有没有必要完整地恢复整个生成器的抛出序列还是记录待恢复状态然后基于这个状态出发进行仿真。
