编译原理：代码优化

常见的代码优化方法

对代码做优化的方法有很多，可按照下面两个维度进行分类：

• 第一个分类维度，是机器无关的优化与机器相关的优化。 机器无关的优化与硬件特征无关，比如把常数值在编译期计算出来(常数折叠)。而机器相关的优化则需要利用某种硬件特有的特征，比如SIMD指令可以在一条指令里完成多个数据的计算。

• 第二个分类维度，是优化的范围。 本地优化是针对一个基本块中的代码，全局优化是针对整个函数(或过程)，过程间优化则能够跨越多个函数(或过程)做优化。

思路1：把常量提前计算出来

程序里的有些表达式，肯定能计算出一个常数值，那就不要等到运行时再去计算，干脆在编译期就计算出来。比如 “x=2*3”可以优化成“x=6”。这种优化方法，叫做常数折叠（Constant Folding）。

而如果你一旦知道 x 的值其实是一个常量，那你就可以把所有用到 x 的地方，替换成这个常量，这叫做常数传播（Constant Propagation）。

常数传播可能导致分支判断条件是常量，因此导致一个分支的代码不需要被执行。这种优化叫做稀疏有条件的常数传播（Sparse Conditional Constant Propagation）。

a = 2
b = 3
if(a<b){  //判断语句去掉
  ...     //直接执行这个代码块
}
else{
  ...     //else分支会去掉
}

思路2：用低代价的方法做计算

完成相同的计算，可以用代价更低的方法。比如“x=x+0”这行代码，操作前后 x 没有任何变化，所以这样的代码可以删掉；又比如“x=x*0” 可以简化成“x=0”。这类利用代数运算的规则所做的简化，叫做代数简化（Algebra Simplification）。

对于很多 CPU 来说，乘法运算改成移位运算，速度会更快。比如，“x2”等价于“x<<1”，“x9”等价于“x<<3+x”。这种采用代价更低的运算的方法，也叫做强度折减（Strength Reduction）。

思路3：消除重复的计算

下面的示例代码中，第三行可以被替换成“z:=2*x”， 因为 y 的值就等于 x。这个时候，可能 x 的值已经在寄存器中，所以直接采用 x，运算速度会更快。这种优化叫做拷贝传播（Copy Propagation）。

x := a + b
y := x
z := 2 * y

值编号（Value Numbering） 也能减少重复计算。值编号是把相同的值，在系统里给一个相同的编号，并且只计算一次即可。比如，Wikipedia上的这个案例：

w := 3
x := 3
y := x + 4
z := w + 4

其中 w 和 x 的值是一样的，因此编号是相同的。这会进一步导致 y 和 z 的编号也是相同的。进而，它们可以简化成：

w := 3
x := w
y := w + 4
z := y

值编号又可以分为两种，本地编号(在一个基本块中) 和 全局值编号(GVN,在一个函数范围内)

还有一种优化方法叫做公共子表达式消除(Common Subexpression Elimination,CSE),也会减少计算次数。下面这两行代码，x 和 y 右边的形式是一样的，如果这两行代码之间，a 和 b 的值没有发生变化（比如采用 SSA 形式），那么 x 和 y 的值一定是一样的。

x := a + b
y := a + b

那让y等于x,从而减少对"a+b"的计算，这就是公共子表达式消除。

x := a + b
y := x

部分冗余消除(Partial Redundancy Elimination,PRE) 是公共子表达式消除的一种特殊情况，举例：
一个分支有"x+4"这个公共子表达式，而另一个分支则没有：

if (some_condition) {
   // some code that does not alter x
   y = x + 4;
 }
 else {
   // other code that does not alter x
 }
 z = x + 4;

但是，上述代码仍然可以优化，使得在if结构中，"x+4"这个值肯定会被计算一遍，因此，"z=x+4"就可以被优化。

if (some_condition) {
   // some code that does not alter x
   t = x + 4;
   y = t;
 }
 else {
   // other code that does not alter x
   t = x + 4;
 }
 z = t;

思路4：化零为整，向量计算

很多CPU支持向量运算，也就是SIMD(Single Instruction Multiple Data)指令。就是一条指令里计算多个数据。
比如 AVX-512 指令集，可以使用 512 位的寄存器做运算，这个指令集的一条 add 指令相当于一次能把 16 个整数加到另 16 个整数上，以 1 当 16 呀。

比如，把 16 万个整数相加，应该怎样写程序呢？普通方法，是循环 16 万次，每次读 1 个数据，并做累加。向量化的方法，是每次读取 16 个，用 AVX-512 指令做加法计算，一共循环计算 1 万次，最后再把得到的 16 个数字相加就行了。

向量化的一个例子是超字级并行(Superword-Level Parallelism,SLP),它是把基本块中的多个变量组成一个向量，用一个指令完成多个变量的计算。

向量优化的另一个例子是循环向量化(Loop Vectorization)

思路5：化整为零，各个优化

另一个思路是反着的，是化整为零。
很多语言都有结构和对象这样的符合数据结构，内部包含了多个成员变量，这种数据类型叫做聚合体(aggregates)。通常，为这些对象申请内存的时候，一次就申请一整块，能放下里面的所有成员。但这样做，非常不利于优化。

通常的优化方法都是针对标量(Scalar)的。如果经过分析，发现可以将聚合体打散，像使用单个本地变量(也就是标量)一样使用聚合体的成员变量，那就有可能带来其他优化的机会。比如，可以聚合体的成员变量放在寄存器中进行计算，根本不需要访问内存。

这种优化叫做聚合体的标量替换(Scalar Replacement of Aggregates,SROA)

思路6：针对循环，重点优化

在编译器中，对循环的优化从来都是重点，因为程序中最多的计算量都是被各种循环消耗掉的。所以，对循环做优化，会起到事半功倍的效果。如果一个循环执行了 10000 次，那么你的优化效果就会被扩大 10000 倍。

对循环做优化，这里介绍几种常用的方法：

• 第一种：归纳变量优化(Induction Variable Optimization)
  看下面这个循环，其中的变量 j 是由循环变量派生出来的，这种变量叫做该循环的归纳变量。归纳变量的变化是很有规律的，因此可以尝试做强度折减优化。示例代码中的乘法可以由加法替代。

int j = 0;
for (int i = 1; i < 100; i++) {
    j = 2*i;  //2*i可以替换成j+2
}
return j;

• 第二种：边界检查消除(Unnecessary Bounds-checking Elimination)
  当引用一个数组成员的时候，通常要检查下标是否越界。在循环里面，如果每次都要检查的话，代价就会相当高（例如做多个数组的向量运算的时候）。如果编译器能够确定，在循环中使用的数组下标（通常是循环变量或者基于循环变量的归纳变量）不会越界，那就可以消除掉边界检查的代码，从而大大提高性能。

• 第三种：循环展开(Loop Unrolling)
  把循环次数减少，但在每一次循环里，完成原来多次循环的工作量。比如：

for (int i = 0; i< 100; i++){
  sum = sum + i;
}

优化后，可以变成：

for (int i = 0; i< 100; i+=5){
  sum = sum + i;
  sum = sum + i + 1;
  sum = sum + i + 2;
  sum = sum + i + 3;
  sum = sum + i + 4;
}

进一步，循环体内的 5 条语句就可以优化成 1 条语句：“sum = sum + i*5 + 10;”。

减少循环次数，本身就能减少循环条件的执行次数。同时，它还会增加一个基本块中的指令数量，从而为指令排序的优化算法创造机会。

• 第四种：循环向量化(Loop Vectorization)
  在循环展开的基础上，我们有机会把多次计算优化成一个向量计算。比如，如果要循环 16 万次，对一个包含了 16 万个整数的数组做汇总，就可以变成循环 1 万次，每次用向量化的指令计算 16 个整数。

• 第五种：重组(Reassociation)
  在循环结构中，使用代数简化和重组，能获得更大的收益。比如，如下对数组的循环操作，其中数组a[i,j]的地址是“a+iN+j”。但这个运算每次循环就要计算一次，一共要计算MN次。但其实，这个地址表达式的前半截“a+i*N”不需要每次都在内循环里计算，只要在外循环计算就行了。

for (i = 0; i< M; i++){
  for (j = 0; j<N; j++){
    a[i,j] = b + a[i,j];
  }
}

优化后的代码相当于：

for (i = 0; i< M; i++){
  t=a+i*N;
  for (j = 0; j<N; j++){
    *(t+j) = b + *(t+j);
  }
}

• 第六种：循环不变代码外提(Loop-Invariant Code Motion,LICM)
  在循环结构中，如果发现有些代码其实跟循环无关，那就应该提到循环外面去，避免一次次重复计算。

• 第七种：代码提升(Code Hoisting,或Expression Hoisting)
  在下面的 if 结构中，then 块和 else 块都有“z=x+y”这个语句，它可以提到 if 语句的外面。

  if (x > y)
    ...
    z = x + y
    ...
  }
  else{
    z = x + y
    ...
  }

这样变换以后，至少代码量会降低。但是，如果这个 if 结构是在循环里面，那么可以继续借助循环不变代码外提优化，把“z=x+y”从循环体中提出来，从而降低计算量。

z = x + y
for(int i = 0; i < 10000; i++){
  if (x > y)
    ...
  }
  else{
    ...
  }
}

另外，前面说过的部分冗余优化，也可能会产生可以外提的代码，借助这一优化方法，可以形成进一步优化的效果。

针对循环能做的优化还有不少，因为对循环做优化往往是收益很高的！

思路7：减少过程调用的开销

你知道，当程序调用一个函数的时候，开销是很大的，比如保存原来的栈指针、保存某些寄存器的值、保存返回地址、设置参数，等等。其中很多都是内存读写操作，速度比较慢。

所以，如果能做一些优化，减少这些开销，那么带来的优化效果胡很显著，具体的优化方法主要有以下几种：

• 第一种：尾调用优化(Tail-call Optimization) 和 尾递归优化(Tail-recursion Elimination)
  尾调用就是一个函数的最后一句，是对另一个函数的调用。
  举例：

f(){
  ...
  return g(a,b);
}

而如果 g() 本身就是 f() 的最后一行代码，那么 f() 的栈帧已经没有什么用了，可以撤销掉了（修改栈顶指针的值），然后直接跳转到 g() 的代码去执行，就像 f() 和 g() 是同一个函数一样。这样可以让 g() 复用 f() 的栈空间，减少内存消耗，也减少一些内存读写操作（比如，保护寄存器、写入返回地址等）。

如果 f() 和 g() 是同一个函数，这就叫做尾递归。尾递归可以转化为一个循环，不但可以节省栈帧的开销，还可以进一步导致针对循环的各种优化。

• 第二种：内联(inlining)
  内联也叫做过程集成（Procedure Integration），就是把被调用函数的代码拷贝到调用者中，从而避免函数调用。

• 第三种：内联扩展(In-Line Expansion)
  内联扩展跟普通内联类似，也是在调用的地方展开代码。不过内联扩展被展开的代码，通常是手写的、高度优化的汇编代码。

• 第四种：叶子程序优化(Leaf-Routine Optimization)
  叶子程序，是指不会再调用其他程序的函数（或过程）。因此，它也可以对栈的使用做一些优化。比如，你甚至可以不用生成栈帧，因为根据某些调用约定，程序可以访问栈顶之外一定大小的内存。这样就省去了保存原来栈顶、修改栈顶指针等一系列操作。

思路8：对控制流做优化

通过对程序的控制流分析，我们可以发现很多优化的机会。这就好比在做公司管理，优化业务流程，就会提升经营效率。我们来看一下这方面的优化方法有哪些。

• 第一种：不可达代码清除(Unreachable-code Elimination)。根据控制流的分析，发现有些代码是不可能到达的，可以直接删掉，比如 return 语句后面的代码。

• 第二种：死代码删除(Dead-code Elimination)。通过对流程的分析，发现某个变量赋值了之后，后面根本没有使用这个变量。这样的代码就是死代码，可以删除

• 第三种：if简化(If Simplification)。在讲常量传播时我们就见到过，如果有可能 if 条件肯定为真或者假，那么就可以消除掉 if 结构中的 then 块、else 块，甚至整个消除 if 结构。

• 第四种：循环简化(Loop Simplification)。也就是把空循环或者简单的循环，变成直线代码，从而增加了其他优化的机会，比如指令的流水线化。

• 第五种：循环反转(Loop Inversion)。这是对循环语句常做的一种优化，就是把一个 while 循环改成一个 repeat…until 循环（或者 do…while 循环）。这样会使基本块的结构更简化，从而更有利于其他优化。

• 第六种：拉直(Straightening)。如果发现两个基本块是线性链接，那可以把他们合并，从而增加优化机会。

• 第七种：反分支(Unswitching)。也就是程序分支，因为分支会导致程序从一个基本块跳到另一个基本块，这样就不容易做优化。

比如，把循环内部的 if 分支挪到循环外面去，先做 if 判断，然后再执行循环，这样总的执行 if 判断的次数就会减少，并且循环体里面的基本块不那么零碎，就更加容易优化。

这七种优化方法，都是对控制流的优化，有的减少了基本块，有的减少了分支，有的直接删除了无用的代码。

代码优化所依赖的分析方法

上述优化方法，有的比较简单，比如常数折叠，依据 AST 或 MIR 做点处理就可以完成。但有些优化，就需要比较复杂的分析方法做支撑才能完成。这些分析方法包括控制流分析、数据流分析、依赖分析和别名分析等。

控制流分析(Control-Flow Analysis,CFA)
控制流分析是帮助我们建立对程序执行过程的理解， 比如哪里是程序 入口，哪里是程序出口，哪些语句构成了一个基本块，基本块之间跳转关系，哪个结构是一个循环结构(从而去做循环优化)，等等

数据流分析(Data-Flow Analysis,DFA)。
数据流分析，能够帮助理解程序中的数据变化情况。
举例：一个分析变量活跃性的例子
如下图所示，它从后到前顺序扫描代码，花括号中的是在当前位置需要的变量的集合。如果某个变量不被需要，那就可以做死代码删除的优化。

经过多遍扫描和删除后，最后的代码会精简成一行：

除了做变量活跃性分析以外，数据流分析方法还可以做很多有用的分析。比如，可达定义分析（Reaching Definitions Analysis）、可用表达式分析（Available Expressions Analysis）、向上暴露使用分析（Upward Exposed Uses Analysis）、拷贝传播分析（Copy-Propagation Analysis）、常量传播分析（Constant-Propagation Analysis）、局部冗余分析（Partial-Redundancy Analysis）等。

依赖分析(Dependency Analysis)
依赖分析，就是分析出程序代码的控制依赖（Control Dependency）和数据依赖（Data Dependency）关系。这对指令排序和缓存优化很重要。

指令排序：它能通过调整指令 之间的顺序 来提升执行效率，但指令排序不能打破指令间的依赖关系，否则程序的执行就不正确了

别名分析(Alias Analysis)
在 C、C++ 等可以使用指针的语言中，同一个内存地址可能会有多个别名，因为不同的指针都可能指向同一个地址。编译器需要知道不同变量是否是别名关系，以便决定能否做某些优化。

优化方法的重要性和顺序

先看看哪些优化方法更重要：
有些优化，比如对循环的优化，对每门语言都很重要，因为循环优化的收益很大。
而有些优化，对于特定的语言更加重要。像 Java、JavaScript 这样的面向对象的现代语言时，会看到，内联优化和逃逸分析的收益就比较大。而对于某些频繁使用尾递归的函数式编程语言来说，尾递归的优化就必不可少，否则性能损失太大。

至于优化的顺序，有的优化适合在早期做(基于HIR和MIR)，有的优化适合在后期做(基于LIR和机器代码)。一般做完某个优化以后，会给别的优化带来机会，所以经常会在执行某个优化算法的时候，调用了另一个优化算法，而同样的优化算法也可能会运行好几遍。

小结

参考：
代码优化：跟编译器做朋友，让你的代码飞起来