我试图用 Python 中的多处理来加速一些代码，但我无法理解一点。假设我有以下愚蠢的功能：
import time
from multiprocessing.pool import Pool
def foo(_):
for _ in range(100000000):
a = 3
当我在笔记本电脑（英特尔 - 8 核 cpu）上运行此代码而不使用多处理（请参阅下面的代码）时，所用时间约为 2.31 秒。
t1 = time.time()
foo(1)
print(f"Without multiprocessing {time.time() - t1}")
相反，当我使用 Python 多处理库（请参阅下面的代码）运行此代码时，所用时间约为 6.0 秒。
pool = Pool(8)
t1 = time.time()
pool.map(foo, range(8))
print(f"Sample multiprocessing {time.time() - t1}")
据我所知，我知道在使用多处理时有一些时间开销，主要是由于需要产生新进程和复制内存状态。然而，这个操作应该只在处理最初产生时执行一次，并且不应该那么大。
那么我在这里缺少什么？我的推理有问题吗？
编辑：我认为最好更明确地说明我的问题。我在这里期望的是多处理代码比顺序代码稍慢。确实，我没有将整个工作拆分到 8 个内核，但我并行使用 8 个内核来完成相同的工作（因此在理想的世界中，处理时间应该或多或少保持不变）。考虑到产生新进程的开销，我预计时间会增加一些（不是太大）百分比，但不会增加约 2.60 倍。
我正在尝试解决一个具有超过 45.000 个二进制变量和约 350.000 个约束的大规模线性整数优化问题 (MILP)。
我正在使用Pulp来解决问题，但我无法在合理的时间内找到解决方案。
有什么方法可以大大加快优化过程吗？例如：