利用多线程/内核提高性能

Question

我有一个游戏（使用pygame），我想提高性能。我注意到当我的fps低的时候，游戏最多只占用了20%的CPU，有没有办法让线程占用更多的CPU？你知道吗

我已经尝试实现线程，但似乎没有好运气，一些帮助将不胜感激。你知道吗

此函数是导致延迟的原因：

第一版

def SearchFood(self):
    if not self.moving:
        tempArr = np.array([])

        for e in entityArr:
            if type(e) == Food:
                if e.rect != None and self.viewingRect != None:
                    if self.viewingRect.colliderect(e.rect):
                        tempArr = np.append(tempArr, e)

        if tempArr.size > 0:
            self.nearestFood = sorted(tempArr, key=lambda e: Mag((self.x - e.x, self.y - e.y)))[0]

第二个版本（较慢）

def SearchFood(self):
    if not self.moving:
        s_arr = sorted(entityArr, key=lambda e: math.hypot(self.x - e.x, self.y - e.y))

        for e, i in enumerate(s_arr):
            if type(e) != Food:
                self.nearestFood = None

            else:
                self.nearestFood = s_arr[i]
                break

我浏览了整个实体列表，并对其进行排序，如果实体是食物，以及与想吃食物的物体的距离。问题是实体数组有500个元素（甚至更多）长，因此遍历和排序需要很长时间。然后，为了弥补这个问题，我想通过使用线程来使用更多的CPU。你知道吗

如果有帮助的话，下面是完整的脚本：https://github.com/Lobsternator/Game-Of-Life-Esque.git

Answer 1

在Python中，线程并不会增加所用内核的数量。您必须改用多重处理。
文件：https://docs.python.org/3.7/library/multiprocessing.html#multiprocessing.Manager

Answer 2

Python中的多线程几乎是无用的（对于这样的CPU密集型任务），而多线程虽然可行，但需要在进程之间进行昂贵的数据封送或仔细的设计。我认为这两个都不适用于你的案子。你知道吗

但是，除非游戏中有大量的对象，否则不需要在场景中使用多个核心。问题似乎更多的是算法的复杂性。你知道吗

您可以通过以下几种方式提高代码的性能：

• 按类型保留实体索引（例如，从实体类型到实体集的dict，在创建/删除实体时更新），这将允许您轻松找到所有“食物”实体，而无需扫描游戏中的所有实体。你知道吗
• 使用简单的“min”操作（即O(n)）查找最近的食物实体，而不是按距离（即O(n*logn)）对所有食物进行排序。
  • 如果这仍然很慢，您可以应用剔除技术，首先将食物过滤到容易计算的范围内的食物（例如，播放器周围的矩形），然后通过仅对这些食物应用更昂贵的距离计算来查找最近的食物。你知道吗
• 避免检查循环中不必要的条件，尽可能使用内置的选择/创建结构，而不是遍历大型对象列表，从而使循环更紧密。你知道吗

例如，你可以得到如下结果：

def find_nearest_food(self):
  food_entities = self._entities_by_type[Food]
  nearest_food = min(food_entities, key=lambda entity: distance_sq(self, entity))
  return nearest_food

def distance_sq(ent1, ent2):
  # we don't need an expensive square root operation if we're just comparing distances
  dx, dy = (ent1.x - ent2.x), (ent1.y - ent2.y)
  return dx * dx + dy * dy

您可以通过将实体位置保持为NumPy向量而不是单独的x和y属性来进一步优化，这将允许您使用NumPy操作来计算距离，例如distance_sq = (ent1.pos - ent2.pos)**2或只使用np.linalg.norm进行常规距离计算。这对于其他向量算术运算也很有用。你知道吗