一.编写高效的程序：
1.选择合适的算法和数据结构。
2.编写出编译器能够有效优化以转换为高效可执行的源代码。
3.并行计算。当然重点还是第一个，良好的算法和数据结构大大减小了程序的时间复杂度。
二.优化编译器的局限性：
编译器可以对程序进行不同程序的优化，在终端中，编译时添加命令行选项-O1,-O2等等可以进行不同级别的优化，这样虽然提高了程序的性能，但是也加大了程序的规模。
首先要进行安全的优化，在这个例子中：
1 void twiddle1(int *xp,int *yp) 2 { 3 *xp+=*yp; 4 *xp+=*yp 5 } 6 void twiddle2(int *xp,int *yp) 7 { 8 *xp+=2**yp; 9 }
编译器是不会将twiddle1优化成twiddle2的，虽然twiddle2只需要三次访问内存，而twiddle1需要6次。编译器需要考虑xp和yp相等的情况，这样两个函数的结果就会不同，两个指针可能只想同一个存储器位置的情况成为存储器别名使用。第二个妨碍优化的因素是函数调用，f()+f()+f()+f()和4*f()总会有点区别的，因为执行一次f()有可能就修改了全局变量的值，在下次调用时环境就可能不同，属于函数的副作用。
三.理解现代处理器
考虑利用处理器的微体结构的优化，完成一些基本的优化。
1.整体操作（ICU,EU）。
2.分支预测：现代处理器中采用了分支预测的技术，处理器在执行某条指令序列时会预测下一条指令的位置，是否选择分支，预测分支的目标地址，投机执行，如果预测错误，将状态重新设置到分支点的状态。
3.功能单元的特性：延迟，运算所需要的总时间；发射时间，两个连续的同类型运算之间需要的最小时钟周期数。
4.关键路径：这是执行一组机器指令所需要时钟周期数的一个下界，循环运算中，有些数据是不能同时并行运算的，他们必须一个接一个的运算，因为后一次运算依赖于前一次
计算的结果。所以该计算流程就是该循环中的关节数据流。该数据流处理的必须用时，就成为了优化的界限。
四.程序级的优化
每元素的周期数，Cycles Per Element 来表示程序的性能。
1.代码移动。比如将循环中计算结果不会改变的计算移出，减少计算。
2.减少过程的调用。
3.消除不必要的存储器引用。减少对存储器的访问，比如 *dest=*dest*a[i]中，每次循环都要进行一次存储器的访存。可通过先赋值给一个局部变量，最后再赋值给*dest。
4.循环展开。通过增加每次迭代的计算的元素的数量，减少循环的迭代次数。展开的次数越高，CPE 性能越接近1。他减少了不直接有助于程序结果的操作的数量，比如循环索引的计算和条件分支，其次减少了整个计算中关键路径上的操作数量。
5.提高并行性。多个积累变量，通过多个变量计算最后再合并以提高程序性能。重新结合变换，对于一个计算表达式中，两个连乘，我们可以使用括号，让后一次乘法先进行，然后再进行前一次乘法。这样做的能提升程序速度的原理在于，如果使用顺序乘法，第一次乘法结果与第二次乘法结果都会保存在同一个寄存器中，无形中增长了关键路径。通过该优化方法，能使得关键路径变短。
其实说这么多，最好的还是选择个合适数据结构和算法来实现程序的优化，对于大数据，可能需要的这些优化措施多一些。