【前言】虽然现在没有接触过大型项目，但是工作了会注重性能。学习一下，应该能更好更快的理解别人写的经典优化的代码。结合CSAPP和自己的理解，总结一下。
一、程序优化综述
1、高效程序的特点
（1）适当的算法和数据结构。方法和数据的组织形式无疑是最关键的，是优化的基础；
（2）代码能够被编译器转化成高效的可执行代码。需要深入了解使用的编译器的优化方法，和常见的优化策略；
（3）运用现代并行编程技术。多核以及硬件支持提供更大的加速可能，例如GPU；
2、优化程序的一般步骤
（1）消除不必要的工作，例如消除不必要的函数调用（加大栈区负担），条件测试和内存引用；
（2）利用处理器提供的指令级并行能力，同时执行多条指令；指令级并行介于线程级并发和单指令多数据并行之间，一个处理器可实现多指令执行，例如流水线技术；
（3）优化关键路径。就是反复执行的数据和代码；
二、优化编译器的能力和局限性
我们可以使用-O1、-O2、-O3来指定编译器的优化级别，级别越高可能会增加程序的规模。注意一点，优化级别高一般比级别低的性能好，肯定比原始未优化的好！但是，编译器在优化时会考虑安全问题，如果优化一定会在安全范围内优化，有一个条件不满足就会放弃某模块的优化。
例如：
1 { 2 *y += *x; 3 *y += *x; 4 } 5 //上面的代码会被优化为下面吗？ 6 { 7 *y += 2* *x; 8 }
不会，虽然适用一般情况y=y+2x。但是，当x=y时：y=4x 不是3x，所以第一种不是一种好的编码，没有很好的体现编程思路。编译器会考虑所有特殊情况，保证安全。还有一种情况，是内存别名使用的时候两个变量值不同，但是指针地址有可能相同。也不会优化.
函数调用也会妨碍优化。此时就是用内联函数优化了，避免频繁出栈入栈。
三、优化实现方法
发现一个别人总结的，挺全面的：http://www.xuebuyuan.com/3204184.html
1、上面已经看到了尽量减少函数调用来降低栈压力；
2、消除循环中的多次条件测试。举例：
for(int i=0;i<v.size();++i) { //TODO } //上面和下面对比 int s =v.size(); for(int i=0;i<s;++i) { //TODO }
含有循环的代码在翻译成机器级程序时，会先转换成goto语句去掉复杂逻辑，然后转换成汇编语言。所以每次都要计算测试条件，像上面这种多次计算测试条件不变的可以提前算好，赋值给局部变量，局部变量放在数据区也减轻栈的压力。如此就不要每次计算了，因为计算大小调用库函数还是需要很大的计算量的。
3、消除不必要的内存引用
这里主要是内存和寄存器的存取性能差别。可以将循环中的变量临时放在累加器寄存器中，计算到最后在写入内存。另一个方面，对于寄存器溢出要在栈上分配空间，也会拖慢性能，所以对寄存器数量和并发量要协调。
4、现代处理器优化
上面的1--3优化只是简单的降低过程调用的开销，以及消除了一些重复计算和存取瓶颈。跟、更深层次的，我们应该写出适应现代处理器架构的代码，充分发挥其性能。最基础和重要我们要理解其指令级并行，在指令级并行里面主要有两个问题：延迟界限和吞吐量界限。延迟界限指一条指令必须在另一条指令之后，吞吐量界限是硬件层面原始计算能力，是程序性能的终极限制。分支预测从软件算法层面提供延迟界限，流水线技术提高吞吐量，具体CSAPP-357
5、循环展开
就是在一次循环里面计算多个元素，例如下例可以将循环减半。
//一般做法 for(i=1;i<n；++i) { p[i]=p[i-1]+a[i]; } //一次循环计算两个 {int i;//全局 for(i=1;i<n-1;i+=2) { int tmp=p[i-1]+a[i]; p[i]=tmp; p[i+1]=mid+a[i+1] } if(i<n) {p[i]=p[i+1+a[i];]} }
性能是提高了，但是可读性比较差。用在核心代码的瓶颈区比较合适。
6、更低级优化
并行能力提高：将一个问题拆分，最后多变量合并.。例如：将累乘分为偶数和奇数的分别累乘然后求积，偶数和奇数的计算分开并行。注意栈是线程独享的，多线程可解决一个大问题需要的栈太深的问题！
写出针对性的分支预测算法：分支预测只对有规律的模式可行，所以可以写出更加“智能”的分支预测选择算法。根据命中率进行一个排序就能写出一个优秀的分支预测算法。结合机器学习会不会效率低？太偏上层了。
四、综述
优化程序性能的基本策略。
（1）高级设计：选择合适的数据结构和算法；
（2）基本编码原则，就是"三"中提到的；
（3）更低级的优化：循环展开、提高指令并行度（6），重写分支预测算法。后者属于高级内容。
更多内容参考《深入理解计算机系统CSAPP》第五章