当前位置：首页 > web >正文

.NET9 实现斐波那契数列（FibonacciSequence）性能测试

web 2025/7/6 14:03:14

在 .NET 平台上实现 斐波那契数列 并使用 BenchmarkDotNet 进行性能测试，是评估不同算法实现方式性能表现的一种高效且标准化的方法。通过该方式，可以对比递归、迭代、记忆化递归以及结合高性能优化技术（如 Span<T>、Memory<T> 和 ArrayPool<T>）的多种实现，在不同输入规模下的执行时间、内存分配和垃圾回收行为。

整个过程包括：

选择合适的斐波那契实现方式：
- 递归实现：直观但效率低下，尤其在大数值时存在指数级时间复杂度。
- 迭代实现：性能最优，适用于大多数生产环境。
- 记忆化递归：通过缓存减少重复计算，提升递归效率。
- 结合 ArrayPool 的记忆化递归：避免频繁内存分配，降低 GC 压力。
- 使用 Span<T> 或 Memory<T> 的实现：进一步优化内存访问效率，支持更灵活的异步或池化操作。
构建基准测试类：
使用 BenchmarkDotNet 提供的 [Benchmark] 特性对每个实现方法进行标注，并通过 [Params] 指定多个输入值（如 N = 10, 30, 40），以模拟不同场景下的运行情况。
启用诊断功能：
在基准测试类上添加 [MemoryDiagnoser] 等特性，启用内存统计功能，获取每次调用的堆内存分配信息，帮助识别潜在的性能瓶颈。
运行基准测试：
使用 BenchmarkRunner.Run<T>() 启动测试，生成结构化的性能报告，包含 平均耗时（Mean）、误差范围（Error）、标准差（StdDev）、Gen0/Gen1 垃圾回收次数及内存分配量 等关键指标。
分析结果并优化实现：
根据测试报告数据，判断哪种实现方式在特定场景下具有最佳性能表现。例如，迭代法通常最快且无内存分配，而结合 ArrayPool<T> 的记忆化递归则在保留递归风格的同时大幅提升了性能。

最终，这一流程不仅验证了各类斐波那契实现的实际性能差异，也为实际项目中选择合适的算法提供了可靠的数据支撑。

项目准备

项目环境

<Project Sdk="Microsoft.NET.Sdk"><PropertyGroup><OutputType>Exe</OutputType><TargetFramework>net9.0</TargetFramework><ImplicitUsings>enable</ImplicitUsings><Nullable>enable</Nullable><PublishAot>true</PublishAot><InvariantGlobalization>true</InvariantGlobalization></PropertyGroup><ItemGroup><PackageReference Include="Datadog.Trace.BenchmarkDotNet" Version="2.61.0" /></ItemGroup></Project>

斐波那契数列实现

// =============================
// FibonacciSequence 斐波那契数列实现
// =============================using System.Buffers;namespace FibonacciSequenceTest;internal class FibonacciSequence
{// 递归实现（效率低）public static long Recursive(int n){if (n <= 1) return n;return Recursive(n - 1) + Recursive(n - 2);}// 迭代实现（高效）public static long Iterative(int n){if (n <= 1) return n;long a = 0, b = 1;for (int i = 2; i <= n; i++){long temp = a + b;a = b;b = temp;}return b;}// 带缓存的递归实现（记忆化）public static long Memoized(int n){var memo = new long[n + 1];return FibMemo(n, memo);}private static long FibMemo(int n, long[] memo){if (n <= 1) return n;if (memo[n] != 0) return memo[n];memo[n] = FibMemo(n - 1, memo) + FibMemo(n - 2, memo);return memo[n];}// 使用 ArrayPool 优化的记忆化递归实现public static long MemoizedWithPooling(int n){// 从 ArrayPool 获取足够大小的缓存数组int length = n + 1;var memo = ArrayPool<long>.Shared.Rent(length);try{return FibMemo(n, memo);}finally{// 用完后归还数组，避免内存泄漏if (memo != null)ArrayPool<long>.Shared.Return(memo);}}// 使用 ArrayPool + Span 优化的记忆化递归实现public static long MemoizedWithSpan(int n){int length = n + 1;var memo = ArrayPool<long>.Shared.Rent(length);try{return FibMemoWithSpan(n, memo.AsSpan());}finally{if (memo != null)ArrayPool<long>.Shared.Return(memo);}}private static long FibMemoWithSpan(int n, Span<long> memo){if (n <= 1) return n;if (memo[n] != 0) return memo[n];memo[n] = FibMemoWithSpan(n - 1, memo) + FibMemoWithSpan(n - 2, memo);return memo[n];}// 使用 ArrayPool + Memory 优化的记忆化递归实现public static long MemoizedWithMemory(int n){int length = n + 1;var memo = ArrayPool<long>.Shared.Rent(length);try{return FibMemoWithMemory(n, memo.AsMemory());}finally{if (memo != null)ArrayPool<long>.Shared.Return(memo);}}private static long FibMemoWithMemory(int n, Memory<long> memo){if (n <= 1) return n;// 将 Memory<long> 转换为 Span<long>，以支持索引操作Span<long> span = memo.Span;if (span[n] != 0) return span[n];span[n] = FibMemoWithMemory(n - 1, memo) + FibMemoWithMemory(n - 2, memo);return span[n];}
}

FibonacciSequence 测试类

// =============================
// FibonacciSequence 测试类
// =============================using BenchmarkDotNet.Attributes;
using Datadog.Trace.BenchmarkDotNet;namespace FibonacciSequenceTest;[DatadogDiagnoser]
[MemoryDiagnoser]
public class FibonacciBenchmark
{[Params(10, 30, 40)] // 测试不同的 n 值public int N { get; set; }[Benchmark]public long RecursiveFibonacci() => FibonacciSequence.Recursive(N);[Benchmark]public long IterativeFibonacci() => FibonacciSequence.Iterative(N);[Benchmark]public long MemoizedFibonacci() => FibonacciSequence.Memoized(N);[Benchmark]public long MemoizedWithPoolingFibonacci() => FibonacciSequence.MemoizedWithPooling(N);[Benchmark]public long MemoizedWithSpanFibonacci() => FibonacciSequence.MemoizedWithSpan(N);[Benchmark]public long MemoizedWithMemoryFibonacci() => FibonacciSequence.MemoizedWithMemory(N);
}

使用基准测试

在 Program.cs 文件中添加如下代码：

using BenchmarkDotNet.Configs;
using BenchmarkDotNet.Running;
using Datadog.Trace.BenchmarkDotNet;namespace FibonacciSequenceTest;internal class Program
{static void Main(string[] args){Console.WriteLine("Hello, SortingBenchmark!");var fibonacciSummary = BenchmarkRunner.Run<FibonacciBenchmark>();}
}

启动测试

进入项目，使用 pwsh 执行如下命令：

dotnet run -c Release

这段文本是一个使用 BenchmarkDotNet 工具对不同 斐波那契数列（Fibonacci）算法实现 的性能基准测试结果报告。它对比了多种实现方式在不同输入规模 N 下的执行效率、内存分配等指标。

FibonacciBenchmark

以下是关键内容的通俗解释：

📊 表格结构说明

列名	含义
`Method`	测试的方法名称（不同的 `Fibonacci` 实现）
`N`	输入参数，表示求第 N 个斐波那契数
`Mean`	平均耗时（单位：纳秒 ns 或微秒 μs）
`Error`	置信区间的一半（99.9% 置信度）
`StdDev`	标准差，衡量运行时间波动
`Median`	中位数，排除极端值后的时间
`Gen0`	Gen0 垃圾回收次数（每千次操作）
`Allocated`	每次操作分配的托管内存大小

🧪 被测试的斐波那契实现方法

方法名	实现方式	是否推荐
`RecursiveFibonacci`	普通递归（无优化）	❌ 不推荐
`IterativeFibonacci`	迭代法（最高效）	✅ 强烈推荐
`MemoizedFibonacci`	使用数组缓存的记忆化递归	⚠️ 可用但有内存分配
`MemoizedWithPoolingFibonacci`	使用 `ArrayPool<long>` 缓存数组优化	✅ 推荐
`MemoizedWithSpanFibonacci`	使用 `ArrayPool<long> + Span<long>` + 缓存	✅ 推荐
`MemoizedWithMemoryFibonacci`	使用 `ArrayPool<long> + Memory<long>` + 缓存	✅ 推荐

📈 性能对比分析（按 N 分组）

当 `N = 10` 时：

方法	平均耗时	内存分配
RecursiveFibonacci	251.435 ns	-
IterativeFibonacci	7.234 ns	-
MemoizedFibonacci	63.627 ns	112 B
MemoizedWithPoolingFibonacci	18.526 ns	-
MemoizedWithSpanFibonacci	21.416 ns	-
MemoizedWithMemoryFibonacci	20.367 ns	-

📌 结论：

迭代法最快（仅 7ns）
普通递归较慢
使用池化或 Span/ Memory 优化后的记忆化递归显著优于普通递归

当 `N = 30` 时：

方法	平均耗时	内存分配
RecursiveFibonacci	3,372,317 ns（3.37ms）	-
IterativeFibonacci	26.832 ns	-
MemoizedFibonacci	301.255 ns	272 B
MemoizedWithPoolingFibonacci	18.624 ns	-
MemoizedWithSpanFibonacci	19.883 ns	-
MemoizedWithMemoryFibonacci	24.130 ns	-

📌 结论：

普通递归性能急剧下降（指数级增长）
其他优化方法依然保持稳定低耗时
迭代法仍是最快

当 `N = 40` 时：

方法	平均耗时	内存分配
RecursiveFibonacci	416,127,408 ns（约 416ms）	-
IterativeFibonacci	35.565 ns	-
MemoizedFibonacci	436.763 ns	352 B
MemoizedWithPoolingFibonacci	18.548 ns	-
MemoizedWithSpanFibonacci	19.698 ns	-
MemoizedWithMemoryFibonacci	20.206 ns	-

📌 结论：

普通递归已变得不可接受
所有优化版本仍保持微秒级响应
迭代法依旧最优

✅ 总结与建议

特性	推荐实现
最快实现	`IterativeFibonacci`（迭代法）
最节省内存	`MemoizedWithPoolingFibonacci`（结合 ArrayPool）
支持异步和长期持有	`MemoizedWithMemoryFibonacci`
保留递归风格又兼顾性能	`MemoizedWithPoolingFibonacci` 或 `MemoizedWithSpanFibonacci`

📝 小结

方法	性能	内存	是否推荐
普通递归	❌ 极慢	低	否
迭代法	✅ 极快	无分配	✅ 强烈推荐
记忆化递归	⚠️ 中等	高	一般
记忆化 + ArrayPool/Span/Memory	✅ 快	无分配	✅ 推荐保留递归风格时使用