Оптимізація продуктивності Python-програм за допомогою Just-In-Time компіляції на прикладі PyPy та Numba з порівнянням швидкодії та аналізом застосовності в різних класах задач
Summary
No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.
Summarise with VIRAT Free to try with your Science Catalogs account.Abstract
У статті досліджено оптимізацію продуктивності програм, написаних на мові Python, за допомогою технології Just-In-Time (JIT) компіляції на прикладі PyPy та Numba. Розглянуто архітектурні особливості обох підходів, їхні механізми прискорення виконання програм та сфери ефективного застосування. Проведено експериментальне порівняння продуктивності у трьох класах задач: CPU-bound (процесорно-інтенсивні обчислення), I/O-bound (операції введення/виведення) та чисельні обчислення з використанням бібліотеки NumPy. Результати показують, що JIT-компіляція забезпечує суттєве прискорення для CPU-bound та чисельних задач, тоді як для I/O-bound задач вплив на продуктивність мінімальний. PyPy демонструє стабільне прискорення для чистого Python-коду, тоді як Numba значно підвищує ефективність чисельних операцій, зокрема матричних обчислень, інтегрування та статистичних задач. На основі отриманих даних сформульовано практичні рекомендації щодо вибору оптимальної технології для різних класів програм, що має значення для наукових і промислових застосувань. Дослідження підкреслює наукову новизну у порівняльному аналізі JIT-компіляторів Python та визначає перспективи подальшого вдосконалення продуктивності програм через інтеграцію з багатопоточними та GPU-обчисленнями.
Fields of Study & Subjects
Parallel Computing and Optimization Techniques
Computational Physics and Python Applications
Logic
programming
and type systems
Publication details
- Journal / source
- COMPUTER-INTEGRATED TECHNOLOGIES EDUCATION SCIENCE PRODUCTION
- Issue
- 62
- Pages
- 162–170
- Publication date
- 28 March 2026
- Language
- UK