Le titre fait référence à Pourquoi est-il plus rapide de traiter un tableau trié qu'un tableau non trié?
Est-ce aussi un effet de prédiction de branche? Attention: ici le traitement du tableau trié est plus lent !!
Considérez le code suivant:
private static final int LIST_LENGTH = 1000 * 1000;
private static final long SLOW_ITERATION_MILLIS = 1000L * 10L;
@Test
public void testBinarySearch() {
Random r = new Random(0);
List<Double> list = new ArrayList<>(LIST_LENGTH);
for (int i = 0; i < LIST_LENGTH; i++) {
list.add(r.nextDouble());
}
//Collections.sort(list);
// remove possible artifacts due to the sorting call
// and rebuild the list from scratch:
list = new ArrayList<>(list);
int nIterations = 0;
long startTime = System.currentTimeMillis();
do {
int index = r.nextInt(LIST_LENGTH);
assertEquals(index, list.indexOf(list.get(index)));
nIterations++;
} while (System.currentTimeMillis() < startTime + SLOW_ITERATION_MILLIS);
long duration = System.currentTimeMillis() - startTime;
double slowFindsPerSec = (double) nIterations / duration * 1000;
System.out.println(slowFindsPerSec);
...
}
Cela imprime une valeur d'environ 720 sur ma machine.
Maintenant, si j'active l'appel de tri des collections, cette valeur tombe à 142. Pourquoi?!?
Les résultats sont concluants, ils ne changent pas si j'augmente le nombre d'itérations/temps.
La version Java est 1.8.0_71 (Oracle VM, 64 bits), exécutée sous Windows 10, test JUnit dans Eclipse Mars.
[~ # ~] mise à jour [~ # ~]
Semble être lié à l'accès à la mémoire contiguë (objets doubles accédés dans un ordre séquentiel vs dans un ordre aléatoire). L'effet commence à disparaître pour moi pour des longueurs de tableau d'environ 10k et moins.
Merci à assylias d'avoir fourni les résultats :
/**
* Benchmark Mode Cnt Score Error Units
* SO35018999.shuffled avgt 10 8.895 ± 1.534 ms/op
* SO35018999.sorted avgt 10 8.093 ± 3.093 ms/op
* SO35018999.sorted_contiguous avgt 10 1.665 ± 0.397 ms/op
* SO35018999.unsorted avgt 10 2.700 ± 0.302 ms/op
*/
Cela ressemble à un effet de mise en cache/prélecture.
L'indice est que vous comparez des doubles (objets), pas des doubles (primitifs). Lorsque vous allouez des objets dans un thread, ils sont généralement alloués séquentiellement en mémoire. Ainsi, lorsque indexOf
analyse une liste, elle passe par des adresses mémoire séquentielles. C'est bon pour les heuristiques de prélecture du cache CPU.
Mais après avoir trié la liste, vous devez toujours faire le même nombre de recherches de mémoire en moyenne, mais cette fois, l'accès à la mémoire sera dans un ordre aléatoire.
[~ # ~] mise à jour [~ # ~]
Voici le cas-test pour prouver que l'ordre des objets alloués est important.
Benchmark (generator) (length) (postprocess) Mode Cnt Score Error Units
ListIndexOf.indexOf random 1000000 none avgt 10 1,243 ± 0,031 ms/op
ListIndexOf.indexOf random 1000000 sort avgt 10 6,496 ± 0,456 ms/op
ListIndexOf.indexOf random 1000000 shuffle avgt 10 6,485 ± 0,412 ms/op
ListIndexOf.indexOf sequential 1000000 none avgt 10 1,249 ± 0,053 ms/op
ListIndexOf.indexOf sequential 1000000 sort avgt 10 1,247 ± 0,037 ms/op
ListIndexOf.indexOf sequential 1000000 shuffle avgt 10 6,579 ± 0,448 ms/op
Je pense que nous voyons l'effet des échecs de cache mémoire:
Lorsque vous créez la liste non triée
for (int i = 0; i < LIST_LENGTH; i++) {
list.add(r.nextDouble());
}
tous les doubles sont très probablement alloués dans une zone de mémoire contiguë. Itérer à travers cela produira peu d'échecs de cache.
En revanche, dans la liste triée, les références pointent vers la mémoire de manière chaotique.
Maintenant, si vous créez une liste triée avec une mémoire contiguë:
Collection.sort(list);
List<Double> list2 = new ArrayList<>();
for (int i = 0; i < LIST_LENGTH; i++) {
list2.add(new Double(list.get(i).doubleValue()));
}
cette liste triée a les mêmes performances que l'original (mon timing).
Comme exemple simple qui confirme le réponse par wero et le réponse par apangin (+1!): Ce qui suit fait une comparaison simple des deux options:
Il n'est pas non plus implémenté en tant que benchmark JMH, mais similaire au code d'origine, avec seulement de légères modifications pour observer l'effet:
import Java.util.ArrayList;
import Java.util.Collections;
import Java.util.List;
import Java.util.Random;
public class SortedListTest
{
private static final long SLOW_ITERATION_MILLIS = 1000L * 3L;
public static void main(String[] args)
{
int size = 100000;
testBinarySearchOriginal(size, true);
testBinarySearchOriginal(size, false);
testBinarySearchShuffled(size, true);
testBinarySearchShuffled(size, false);
}
public static void testBinarySearchOriginal(int size, boolean sort)
{
Random r = new Random(0);
List<Double> list = new ArrayList<>(size);
for (int i = 0; i < size; i++)
{
list.add(r.nextDouble());
}
if (sort)
{
Collections.sort(list);
}
list = new ArrayList<>(list);
int count = 0;
int nIterations = 0;
long startTime = System.currentTimeMillis();
do
{
int index = r.nextInt(size);
if (index == list.indexOf(list.get(index)))
{
count++;
}
nIterations++;
}
while (System.currentTimeMillis() < startTime + SLOW_ITERATION_MILLIS);
long duration = System.currentTimeMillis() - startTime;
double slowFindsPerSec = (double) nIterations / duration * 1000;
System.out.printf("Size %8d sort %5s iterations %10.3f count %10d\n",
size, sort, slowFindsPerSec, count);
}
public static void testBinarySearchShuffled(int size, boolean sort)
{
Random r = new Random(0);
List<Double> list = new ArrayList<>(size);
for (int i = 0; i < size; i++)
{
list.add((double) i / size);
}
if (!sort)
{
Collections.shuffle(list);
}
list = new ArrayList<>(list);
int count = 0;
int nIterations = 0;
long startTime = System.currentTimeMillis();
do
{
int index = r.nextInt(size);
if (index == list.indexOf(list.get(index)))
{
count++;
}
nIterations++;
}
while (System.currentTimeMillis() < startTime + SLOW_ITERATION_MILLIS);
long duration = System.currentTimeMillis() - startTime;
double slowFindsPerSec = (double) nIterations / duration * 1000;
System.out.printf("Size %8d sort %5s iterations %10.3f count %10d\n",
size, sort, slowFindsPerSec, count);
}
}
La sortie sur ma machine est
Size 100000 sort true iterations 8560,333 count 25681
Size 100000 sort false iterations 19358,667 count 58076
Size 100000 sort true iterations 18554,000 count 55662
Size 100000 sort false iterations 8845,333 count 26536
montrant bien que les timings sont exactement les contraires d'un autre: Si des nombres aléatoires sont triés, alors la version triée est plus lente. Si les nombres séquentiels sont mélangés, la version mélangée est plus lente.