xiaohe wrote:

是的，是根据CPU核心数量跑的。
请用htop看吧。

“是的 ” 是指本次更新（2.4.0）确实 会导致大部分被分配的cpu 闲置？
使用 htop 或 top 在解决 “导致大部分被分配的cpu 闲置” 这个问题上 能起到什么帮助呢? 还是需要观察其他的 资源使用情况？

xiaohe wrote:

下面那张图看不清楚，好像有attributeerror报错，复制报错信息在网上搜索一下解决方法应该就行了

遗传算法优化时报错误，网上搜索无果

potatoTaunt wrote:

xiaohe wrote:

是的，是根据CPU核心数量跑的。
请用htop看吧。

“是的 ” 是指本次更新（2.4.0）确实 会导致大部分被分配的cpu 闲置？
使用 htop 或 top 在解决 “导致大部分被分配的cpu 闲置” 这个问题上 能起到什么帮助呢? 还是需要观察其他的 资源使用情况？
是的是指，是根据CPU核心数量跑的。
你这显示的是进程，而不是核心吧。
htop监控功能更强。

yy1588133 wrote:

xiaohe wrote:

下面那张图看不清楚，好像有attributeerror报错，复制报错信息在网上搜索一下解决方法应该就行了

遗传算法优化时报错误，网上搜索无果
可以看一下是否跑示例策略也是报这个错，如果也是的话，那么可能是你自建的文件名模块名或者函数名冲突了。
可参考https://blog.csdn.net/marchcma/article/details/79596896?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7Eessearch%7Evector-8.essearch_pc_relevant&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7Eessearch%7Evector-8.essearch_pc_relevant
https://blog.csdn.net/kaever/article/details/105115288

xiaohe wrote:

potatoTaunt wrote:

xiaohe wrote:

是的，是根据CPU核心数量跑的。
请用htop看吧。

“是的 ” 是指本次更新（2.4.0）确实 会导致大部分被分配的cpu 闲置？
使用 htop 或 top 在解决 “导致大部分被分配的cpu 闲置” 这个问题上 能起到什么帮助呢? 还是需要观察其他的 资源使用情况？
是的是指，是根据CPU核心数量跑的。
你这显示的是进程，而不是核心吧。
htop监控功能更强。

oh～，理解你的意思了。 最后实验发现，如果数据量比较大，并行优化有一个尴尬的点： 由于优化的时候会每组 setting 参数从Database （即硬盘）读取数据，运行速度会极大地被拖慢。 可是如果将数据保存在主进程中， 优化时直接对 history_data 赋值 又会有 进程间数据传输堵塞的问题， 致使被分配的cpu 资源利用不全。 不知道你对这个情况有没有什么建议？

如果数据量比较大可以换个快一点的数据库试试

xiaohe wrote:

如果数据量比较大可以换个快一点的数据库试试
haha

yy1588133 wrote:

xiaohe wrote:

下面那张图看不清楚，好像有attributeerror报错，复制报错信息在网上搜索一下解决方法应该就行了

遗传算法优化时报错误，网上搜索无果

我也有这个问题，我是直接运行的vnpy/examples/cta_backtesting/backtesting_demo.ipynb报错了

可参考26楼

请问portfolio strategy使用ga和bf optimization的时候，都是运行结束了才打印结果，有什么办法可以显示进度条吗，看优化完成了多少，不然一直等待响应也不知道要跑多久。谢谢！

在VeighNa的PortfolioStrategy模块中，使用遗传算法（GA）和暴力穷举（BF）优化时，默认情况下确实是在优化结束后才打印结果。不过，你可以通过以下方式来实现进度条的显示：

1. 暴力穷举优化（BF）

在run_bf_optimization函数中，已经使用了tqdm库来显示进度条。如果你没有看到进度条，可能是因为tqdm库未正确安装或配置。你可以通过以下步骤确保进度条正常显示：

• 确保安装了tqdm库：

  pip install tqdm
  

• 在优化代码中，tqdm会自动显示进度条。如果你仍然看不到进度条，可以检查是否在优化函数中正确使用了tqdm。

2. 遗传算法优化（GA）

遗传算法的进度条显示需要手动实现。你可以通过以下方式在遗传算法优化中添加进度条：

• 在run_ga_optimization函数中，添加tqdm来跟踪每一代的优化进度：

  from tqdm import tqdm
  
  def run_ga_optimization(...):
      ...
      with tqdm(total=ngen, desc="遗传算法优化进度") as pbar:
          for gen in range(ngen):
              # 执行遗传算法优化逻辑
              ...
              pbar.update(1)
  

3. 自定义进度条

如果你需要更灵活的控制，可以自定义进度条。例如，使用logging模块或print函数来定期输出优化进度：

def run_ga_optimization(...):
    ...
    for gen in range(ngen):
        # 执行遗传算法优化逻辑
        ...
        print(f"优化进度: {gen + 1}/{ngen}")

4. 注意事项

• 确保在优化过程中不会频繁输出日志，以免影响性能。
• 如果优化任务非常耗时，建议将进度信息写入日志文件，以便后续查看。

通过以上方法，你可以在优化过程中实时查看进度，避免长时间等待。