随机游走性能优化与实现（RandomWalkModel）

本仓库包含一套用于模拟 L×L 网格上 N 个粒子进行随机游走（Random Walk）的参考实现与若干优化变体。项目的目标是：在给定参数下保证正确性，同时尽可能缩短模拟时间。仓库中包含纯 Python 基线、NumPy/CuPy 向量化版本，以及若干用 C / 汇编 实现的变体，便于对比不同优化策略的性能和工程实现要点。

主要内容

• 多语言实现：纯 Python（基线）、NumPy/CuPy（向量化 / GPU）、C 与汇编（高性能实现）。
• 使用 CMake 管理 C 代码的构建（见 src/C/、src/C_ASM/ 等子目录）。
• 包含复现实验所需的速度测试脚本（tests/speedtests/）和多线程测试示例。
• 附带实验报告（report/）和 LaTeX 源文件，便于复现与提交。

仓库概览

• src/
  • C/, C_ASM/, C_ASM_SIMD/, C_ASM_SIMD_MULTI_THREAD/：C / 汇编 实现与 CMake 构建
  • Python_baseline/：纯 Python 串行基线（main.py）
  • Python_NumPy/：NumPy 向量化实现（main.py）
  • Python_CuPy/：CuPy GPU 加速实现（main.py）
• tests/
  • speedtests/：性能对比脚本
  • multi_thread/, multi_thread_cpu/：线程/多进程示例
• report/：实验报告（LaTeX 源、编译文件）
• requirements.txt：Python 依赖
• LICENSE：MIT 许可证

如何运行（Python）

推荐在虚拟环境中运行并安装依赖：

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

运行基线示例：

cd src/Python_baseline
python3 main.py

运行 NumPy 实现：

cd ../Python_NumPy
python3 main.py

在支持 GPU 且已安装 CuPy 的环境下运行 CuPy 版本：

cd ../Python_CuPy
python3 main.py

运行后程序通常打印：

Average dwell ratio: 0.25xxx
Simulation time: 2.34s

说明：dwell ratio = 粒子在中心区域的总停留步数 / (N × T)。

如何构建（C / CMake）

以 src/C/ 为例：

cd src/C
mkdir -p build && cd build
cmake ..
make
# 运行可执行文件（名称视具体实现而定）
./C_baseline.out

每个 C 子目录包含 CMakeLists.txt 和对应的源文件，请查看具体实现以获得参数说明。

性能复现

使用仓库内的性能测试脚本：

python3 tests/speedtests/test.py

建议：每次测试前清理 C 的 build 目录，并在干净的虚拟环境下运行 Python 测试以保证可重复性。

参数说明

• L：网格边长（示例 512）
• N：粒子数量（示例 100000）
• T：模拟步数（示例 1000）

许可证

本项目采用 MIT 许可证（见 LICENSE）。