아이디어를 전달하는 것 외에는 그다지 중요한 점을 발견하지 못했고 성능에 중요한 분야 (레이트 레이싱, 이미지 및 메시 처리, 파티클 시스템, 물리 엔진 등)에서 일하며 많은 독점 알고리즘과 데이터 구조를 고안해야했습니다. R & D에서 일할 때 이러한 영역에서 종종 매우 효율적인 데이터 구조와 알고리즘이 완전히 새로운 최첨단 제품을 생산할 수있는 반면, 어제 알고리즘은 기존 제품을 더 이상 사용하지 않으므로 항상보다 효율적으로 작업을 수행해야합니다. 그럼에도 불구하고 필자는 내가 고안 한 알고리즘에 관한 논문을 발표 한 적이 없다. 그들은 모두 독점적이었습니다. 내가했다면 증거 등을 공식화하기 위해 수학자의 도움이 필요할 것입니다.
그러나 제 생각에는 반복 당 계산 작업의 양은 알고리즘의 확장 성이 좋지 않은 경우 알고리즘의 확장 성보다 더 즉각적인 관심의 대상입니다. 누군가가 레이트 레이싱을위한 최첨단 기술을 생각해 내면이 경쟁적이고 혁신적인 시나리오에서 합리적인 확장 성이 이미 주어지기 때문에 알고리즘 복잡성보다 데이터를 표현하고 액세스하는 방법과 같은 계산 기술에 더 관심이 있습니다. 확장 성이없는 알고리즘은 경쟁에서 벗어날 수 없습니다.
물론 이차 복잡성을 선형 이론과 비교하는 경우에는 큰 차이가 있습니다. 그러나 내 분야의 대부분의 사람들은 서사시 입력에 2 차 복잡성 알고리즘을 적용하지 않도록 충분히 유능합니다. 따라서 확장 성은 깊이 내포되어 있으며 "GPGPU를 사용 했습니까? SIMD? 병렬로 실행됩니까? 데이터를 어떻게 표현 했습니까? 캐시 친화적 인 액세스 패턴을 위해 데이터를 재구성 했습니까?" 많은 메모리가 필요합니까?이 경우를 강력하게 처리 할 수 있습니까? 특정 처리를 연기하거나 한 번에 모두 수행합니까? "
전자가보다 최적의 패턴으로 메모리에 액세스하거나 멀티 스레딩 및 / 또는 SIMD에 더 적합한 경우 선형 선형 알고리즘조차도 선형 시간 알고리즘보다 성능이 우수 할 수 있습니다. 때로는 선형 알고리즘조차도 이러한 이유로 로그 알고리즘보다 성능이 우수 할 수 있으며 자연 선형 시간 알고리즘은 작은 입력의 로그 알고리즘보다 성능이 우수합니다.
더 중요한 것은 데이터 표현 (메모리 레이아웃, 핫 / 콜드 필드 분할 등의 액세스 패턴 등), 멀티 스레딩, SIMD 및 때때로 GPGPU와 같은 일부 사람들이 "미세 최적화"라고 부르는 것입니다. 모든 사람이 항상 새로운 논문이 출판되는 모든 것을 위해 알맞은 알고리즘을 사용할 수있는 능력을 갖춘 분야에서 알고리즘 마법사를 꺾는 경쟁 우위는 알고리즘 복잡성의 개선에서 직접적이지 않습니다. 계산 효율.
저의 분야는 훌륭한 수학자들이 지배하지만 항상 그들이하는 일의 계산 비용이나 코드 속도를 높이기위한 많은 저급 트릭을 아는 것은 아닙니다. 그것은 훨씬 덜 정교하면서도 더 빠르고 더 엄격한 알고리즘과 데이터 구조를 고안하는 데있어 일반적으로 저의 우위입니다. 나는 정말 정교한 알고리즘보다 몇 번 더 작업을 반복하더라도 하드웨어가 좋아하는 것을 비트와 바이트로 재생하고 각 반복 작업을 훨씬 저렴하게 만듭니다. 제 경우에는 작업이 훨씬 저렴합니다. 내가 작성한 코드도 훨씬 간단한 경향이 있습니다. 사람들이 마이크로 최적화 버전의 간단한 알고리즘과 데이터 구조를 이해하고 유지하기 어렵다고 생각한다면,
기본적인 예로, 충돌 감지 및 중복 포인트 제거를 위해 회사에서 KD- 트리를 능가하는 간단한 그리드 구조를 생각해 냈습니다. 내 어리석은 조잡한 그리드는 알고리즘이 훨씬 덜 복잡하고 중간 지점을 찾는 그의 새로운 방법으로 KD-tree를 구현 한 사람보다 수학 및 알고리즘 적으로 훨씬 어리석지 만 그리드의 메모리 사용 및 액세스 패턴을 조정했습니다. 그것은 훨씬 더 정교한 것을 능가하기에 충분했습니다.
내가 가진 것보다 훨씬 똑똑한 사람들이 지배하는 분야에서 살아남을 수있는 또 다른 장점은 내가 개발 한 소프트웨어를 사용하기 때문에 사용자가 어떻게 작동하는지 이해하는 것입니다. 그것은 사용자 관심사와 매우 즉시 일치하는 알고리즘에 대한 아이디어를 제공합니다. 기본적인 예로, 대부분의 사람들은 공간 인덱싱을 사용하여 충돌 감지와 같은 것을 가속화하려고합니다. 예를 들어 캐릭터가 얼굴에 손을 대면 공간 인덱싱 구조는 노드를 분할하고 캐릭터가 비싼 경우 업데이트를 수행 해야하는 유기적 모델에 대해 거의 20 년 전에 간단한 경력 형성 관찰을했습니다. 얼굴에서 손을 took습니다. 대신 정점 위치가 아닌 연결 데이터를 기반으로 분할하는 경우, 매우 빠르게 업데이트되고 트리를 분할하거나 다시 균형을 조정할 필요가없는 안정적인 계층 구조로 끝날 수 있습니다 (애니메이션 프레임마다 경계 상자를 업데이트하기 만하면됩니다) ...이 같은 것-무거운 수학적 배경이없는 아이 알고리즘 기본 개념을 이해했다면 결과를 얻을 수 있었지만, 사용자가 작업 방식에 너무 근접한 방식으로 생각하지 않았기 때문에 수학자들을 피하게 된 개념은 기하학이 아닌 기하학의 속성에 대해서만 너무 많이 생각하고있었습니다. 일반적으로 사용되었습니다. 알고리즘 마법사보다 일반적인 계산 지식과 사용자 엔드 지식에 더 집중함으로써 충분히 잘 지냅니다. 어쨌든 알고리즘 복잡성에 중점을 두는 것이 실제로 중요하지 않다는 것을 알았습니다.
