第33章 性能优化技巧

一个运行缓慢的程序，就像一辆引擎轰鸣但轮胎漏气的赛车。你写了完美的算法，但程序依然卡顿。问题往往不在算法复杂度，而在你看不见的地方——内存访问模式、不必要的拷贝、糟糕的数据结构布局。我在一个图像处理项目中踩过这个坑，将处理速度从每秒10帧提升到120帧，关键改动不是算法，而是内存访问顺序。

性能优化的第一步：测量与分析

优化前必须测量。盲目优化是性能陷阱。你需要工具来回答：程序把时间花在哪了？是CPU计算，还是等待内存？

实际开发中，大部分团队会从简单的CPU采样开始。Linux下推荐使用perf或Google的gperftools。下面是一个使用perf的典型命令，它能快速定位热点函数：

// 1. 记录程序性能数据
perf record -g ./your_program
// 2. 生成分析报告
perf report

报告会显示每个函数消耗的CPU时间百分比。如果发现std::vector::push_back或某个自定义拷贝构造函数占用大量时间，你就找到了优化方向。

内存访问优化：理解缓存局部性

现代CPU的速度远快于内存。一次内存访问可能需要几百个CPU周期。为了弥补这个差距，CPU内置了多级缓存（L1、L2、L3）。缓存局部性是性能优化的核心原则。

违反空间局部性的典型例子是遍历二维数组。考虑一个1000x1000的int数组，在内存中是按行连续存储的。

// 慢：列优先遍历，缓存不友好
for (int col = 0; col < 1000; ++col) {
  for (int row = 0; row < 1000; ++row) {
    data[row][col] = row + col; // 每次访问都跳1000*4字节
  }
}

// 快：行优先遍历，充分利用空间局部性
for (int row = 0; row < 1000; ++row) {
  for (int col = 0; col < 1000; ++col) {
    data[row][col] = row + col; // 访问连续内存
  }
}

在我的测试中（Intel i7-12700K， DDR4 3200MHz），行优先遍历比列优先快大约8倍。如果你看到性能随数据规模非线性下降，大概率是缓存失效。

数据结构与对象布局优化

数据如何组织，直接影响缓存利用率。核心思想是让频繁一起访问的数据在内存中紧挨着。

举个例子，在粒子系统中，传统AoS布局是struct Particle { float x, y, z, vx, vy, vz; };。更新所有粒子的速度时，你需要跨过位置数据。SoA布局则是：

struct ParticleSystem {
  std::vector<float> x, y, z;     // 位置数组
  std::vector<float> vx, vy, vz; // 速度数组
};
// 更新所有速度：连续内存访问，易于SIMD
for (size_t i = 0; i < count; ++i) {
  vx[i] += acceleration_x;
}

利用现代C++特性减少开销

C++11/14/17引入的特性不仅是语法糖，更是性能工具。

这里有个隐藏的坑：std::vector的push_back在容量不足时会导致所有元素重新分配和移动。如果你知道大概元素数量，一定要reserve。我曾经调试过一个日志系统卡顿问题，就是因为每秒数千条日志导致vector反复重新分配。

std::vector<LogEntry> logs;
logs.reserve(10000); // 关键！避免中间多次分配
for (int i = 0; i < 10000; ++i) {
  logs.emplace_back("info", "message"); // 原地构造，无拷贝
}

编译器优化选项与内联

编译器是你的盟友。GCC/Clang的-O2或-O3优化级别会进行大量优化，如内联小函数、循环展开、死代码消除。对于性能关键模块，可以考虑使用__attribute__((always_inline))（GCC/Clang）或__forceinline（MSVC）强制内联，但需谨慎，过度内联会导致代码膨胀，反而降低指令缓存效率。

一个有用的技巧是使用constexpr和consteval（C++20），将计算转移到编译期。例如，计算查找表：

constexpr int factorial(int n) {
  return n <= 1 ? 1 : n * factorial(n - 1);
}
constexpr int fact10 = factorial(10); // 编译期计算，运行时零成本

优化是一个迭代过程。每次改动后，必须用可靠的基准测试验证。推荐使用Google Benchmark库，它能避免操作系统调度和缓存带来的噪音。