面试题：Rust向量迭代性能优化场景

Question

假设你有一个非常大的Rust向量，其中包含自定义结构体`MyStruct`，每个`MyStruct`实例有多个字段。现在需要对向量中的每个元素进行复杂计算（例如涉及多个字段的数学运算和条件判断），然后将结果收集到一个新的向量中。请描述在这种场景下，你会采取哪些措施来优化向量迭代的性能，同时给出关键代码示例。

Answer 1

优化措施

1. 使用par_iter进行并行迭代：利用多核CPU的优势，并行处理向量中的元素。前提是复杂计算之间相互独立，不会产生数据竞争。
2. 避免不必要的内存分配：在复杂计算过程中，尽量复用已有的数据结构，减少新的堆内存分配。
3. 提前预留足够的空间：在创建结果向量时，提前根据原向量的大小预留足够的空间，避免多次动态扩容。

关键代码示例

use std::sync::Arc;
use rayon::prelude::*;

// 定义自定义结构体
struct MyStruct {
    field1: i32,
    field2: i32,
    // 其他字段...
}

// 复杂计算函数
fn complex_calculation(my_struct: &MyStruct) -> i32 {
    if my_struct.field1 > 0 {
        my_struct.field1 + my_struct.field2
    } else {
        my_struct.field1 * my_struct.field2
    }
}

fn main() {
    // 假设已有一个非常大的向量
    let large_vector: Vec<MyStruct> = vec![
        MyStruct { field1: 1, field2: 2 },
        MyStruct { field1: -1, field2: 3 },
        // 更多元素...
    ];

    // 提前预留空间创建结果向量
    let mut result_vector = Vec::with_capacity(large_vector.len());

    // 使用并行迭代进行复杂计算并收集结果
    let result: Vec<i32> = Arc::new(large_vector)
        .par_iter()
        .map(|my_struct| complex_calculation(my_struct))
        .collect();

    // 这里result即为计算后的新向量
}

在上述代码中，使用了rayon库的par_iter方法实现并行迭代，提高计算效率。同时提前为result_vector预留空间，减少动态扩容带来的性能损耗。complex_calculation函数模拟了复杂计算过程。需注意，使用rayon时要确保计算过程是线程安全的，无数据竞争问题。