关于复制SimPy仿真环境的生成器的讨论

---

参考文章：

1. SimPy Discrete event simulation for Python
2. python离散事件仿真库SimPy官方教程
3. 离散事件仿真原理DES

基础内容

生成器介绍

离散事件仿真库Simpy的执行效率之所以很高，关键在于生成器的使用，在Python中通过yield来暂时停止进程，再次调用时才从中断的位置开始。这会有什么特点呢？就是程序并不需要在一开始完全执行，而是随着一点点推进（调用）的时候，才执行相应的操作，因此它不像常规的序列（如列表）一样在内存中保存所有的元素值，这种惰性计算地特性显著地减少了内存使用，但也使得生成器对象的状态不容易序列化和反序列化。

如下是一个简单的例子：

def generator(n):
    while True:
        for j in range(n):
            yield j+100

先创建一个生成器，并进行调用，得到的返回值如下：

a = generator(3)
print(next(a))
print(next(a))
print(next(a))

注意：yield 中断的是具体生成器的进程，因此创建多个不同生成器（一个对象也可以有多个生成器），可以实现多事件线的启停，这种特性非常适合用来进行离散仿真。

对于同一个生成器，调用3次，返回的结果为：

100
101
102

那继续调用呢？调用6次后的返回结果如下：

100
101
102
100
101
102

由于 while True 的存在，且暂无终止条件，只要一直调用，生成器就会一直抛出计算结果。

保存和恢复生成器的状态

现在，我想实现这么个功能，就是生成器在调用到一半的时候，对他进行复制，并希望复制的新的生成器能从源生成器的中断位置继续执行，如下代码，在第一次调用 a 生成器时，返回 100，复制为 b 生成器，希望 b 的下次调用抛出 101，那么，执行后会出现什么情况：

def generator(n):
    while True:
        for j in range(n):
            yield j+100

a = generator(3)
print(next(a))

b = deepcopy(a)
print(next(b))

结果会返回类型错误。

TypeError: cannot pickle 'generator' object

前面提到，生成器对象的状态不容易序列化和反序列，计算结果并不存储在内存中，这就使得我们如果想要保存生成器的状态，并进行复制，就只能考虑将这些生成器的值保存到可序列化的数据结构当中，比如列表或元组，通过这些可序列化的数据结构，来保存生成器的状态。那如何基于这些保存的可序列化的数据进行恢复呢？我们知道，生成器暂停进程，以及抛出一次次的计算结果，是因为函数 yield，因此恢复生成器状态只需要模拟生成器照常记录计算结果，在计算结果到达记录状态之前，跳过yield。

为了恢复数据，需要记录生成器的当前状态，以及需要恢复的状态，这里我们建立一个 event 类，初始化的成员属性如下：

class event:
    def __init__(self) -> None:
        self.record = []		# 当前状态
        self.from_record = []	# 待恢复状态

记录当前状态需要在每次运行到 yield 之前进行记录，这里记录的内容不一定是要yield语句的执行内容，可以只是一些标记的关键数据。

class event:
    def __init__(self) -> None:
        self.record = []
        self.from_record = []

    def generator(self, n):
        while True:
            for j in range(n):
                self.record.append(j+100)
                yield j+100

记录完当前状态后，将当前状态与待恢复状态进行比较，如果不同，则跳过 yield，若相同，则释放到 yield 并完成状态的恢复。并建立一个成员方法 set_init_record 用来定义生成器的起始状态。

这里记录的状态可以是任何数据结构，当前状态和待恢复状态之间的比较也可以是任何逻辑运算，但要注意不论是记录状态还是对比恢复状态的操作，都是放在 yield 语句之前，不改变外层的循环。

class event:
    def __init__(self) -> None:
        self.record = []
        self.from_record = []

    def generator(self, n):
        while True:
            for j in range(n):
                self.record.append(j+100)

                if len(self.record) <= len(self.from_record):
                    continue
                else:
                    yield j+100

    def set_init_record(self, init_record):
        self.from_record = init_record

此时，通过复制一个 event 对象的当前记录信息，将记录信息作为起始状态传入另一个 event 对象，即实现了生成器的状态复制，进行如下实验：

a = event()
a_g = a.generator(3)
print(f"\na的抛出: ", next(a_g))

b = event()
b.set_init_record(deepcopy(a.record))
b_g = b.generator(3)
print(f"\nb的抛出: ", next(b_g))
print(f"b的抛出: ", next(b_g))
print(f"b的抛出: ", next(b_g))
print(f"b的抛出: ", next(b_g))
print(f"b的抛出: ", next(b_g))

输出结果为：

a的抛出:  100

b的抛出:  101
b的抛出:  102
b的抛出:  100
b的抛出:  101
b的抛出:  102

显然的，这种方式相当于做了个标记，跳过了事件抛出的过程，但是所有的计算步骤都会重新执行一遍，但它是完完整整地恢复了整个生成器。因此换个思路，有没有必要完整地恢复整个生成器的抛出序列，还是记录待恢复状态，然后基于这个状态出发进行仿真。