cobb道格拉斯函数会极大地减慢运行速度。如何在Python中加速非线性计算？

Question

我有一个运作的微观经济模型，运行10个模块2000个代理，最多10年。程序运行速度很快，在几秒钟内就可以提供结果、输出和图形。在

然而，当我实现一个非线性的柯布-道格拉斯生产函数来更新公司的生产量时，程序慢了下来，在3分钟内产生结果，这取决于参数。在

有人知道我怎样才能加快计算速度并得到快速的结果吗？在

以下是函数代码： α=0.5

def update_product_quantity(self):
    if len(self.employees) > 0 and self.total_balance > 0:
        dummy_quantity = self.total_balance ** parameters.ALPHA * \
                         self.get_sum_qualification() ** (1 - parameters.ALPHA)
        for key in self.inventory.keys():
            while dummy_quantity > 0:
                self.inventory[key].quantity += 1
                dummy_quantity -= 1

之前快速工作的线性函数是：

^{pr2}$

Answer 1

很难说如何在不查看其余代码的上下文的情况下修复它；但是有一件事可能会加快速度，那就是使用numpy预先计算虚拟数量。例如，您可以为每个代理的总余额和sum\u限定值生成一个numpy数组，计算相应的虚拟数量数组，然后将其分配回代理。在

下面是一个高度简化的加速演示：

%%timeit
vals = range(100000)
new_vals = [v**0.5 for v in vals]
> 100 loops, best of 3: 15 ms per loop

现在，有了numpy：

^{pr2}$

然而，从几秒钟减速到3分钟对于计算的差异来说似乎是极端的。模型的行为是否与C-D函数相同，或者是驱动模型动力学的变化，而这些变化才是导致经济放缓的真正原因？如果是后者，那么您可能需要在其他地方寻找要优化的瓶颈。在