C++ 高性能编程要点

内存管理优化

使用智能指针（如 std::unique_ptr 和 std::shared_ptr）替代裸指针，减少内存泄漏风险。避免频繁的内存分配和释放，可通过对象池或内存预分配（如 std::vector::reserve()）优化。

对于高性能场景，考虑自定义内存分配器（如 std::pmr::memory_resource），减少系统调用的开销。对齐内存访问（如 alignas 关键字）可提升缓存命中率。

数据结构与算法选择

优先使用连续内存容器（如 std::vector），其缓存局部性优于链表（如 std::list）。算法复杂度需严格匹配问题规模，例如用 std::unordered_map（O(1)）替代 std::map（O(log n)）实现快速查找。

利用标准库的并行算法（如 std::sort 的并行版本）或 OpenMP/TBB 实现多线程加速。避免锁竞争，可通过无锁数据结构（如 std::atomic）或线程局部存储（thread_local）优化。

编译器优化与内联

启用编译器优化标志（如 GCC/Clang 的 -O3 或 MSVC 的 /O2）。标记热点函数为 inline 或 __attribute__((always_inline)) 以减少函数调用开销。

使用 constexpr 和编译时计算（如模板元编程）将运行时开销转移到编译期。通过 Profile-Guided Optimization (PGO) 指导编译器优化关键路径。

避免隐藏开销

减少临时对象创建，例如用 emplace_back 替代 push_back。警惕隐式类型转换和异常处理的开销，可通过 noexcept 标记不抛异常的函数。

使用移动语义（std::move）替代拷贝，尤其在处理大型对象（如 std::string 或自定义资源类）时。避免虚函数频繁调用，可用 CRTP 模式实现静态多态。

硬件感知编程

利用 SIMD 指令（如 AVX/SSE）加速数值计算，可通过编译器内置函数（__m256）或库（Eigen）实现。预取数据（__builtin_prefetch）减少缓存未命中。

针对多核 CPU 设计任务并行，避免 false sharing（通过填充或对齐调整）。使用低延迟网络库（如 DPDK）或零拷贝技术优化 I/O 密集型应用。

示例代码片段

cpp 复制代码

// 使用 SIMD 加速浮点数组求和
#include <immintrin.h>
float simd_sum(const float* arr, size_t n) {
    __m256 sum = _mm256_setzero_ps();
    for (size_t i = 0; i < n; i += 8) {
        __m256 x = _mm256_load_ps(arr + i);
        sum = _mm256_add_ps(sum, x);
    }
    float result[8];
    _mm256_store_ps(result, sum);
    return result[0] + result[1] + result[2] + result[3] 
         + result[4] + result[5] + result[6] + result[7];
}

cpp 复制代码

// 无锁队列示例（简化版）
template<typename T>
class LockFreeQueue {
    std::atomic<size_t> head{0}, tail{0};
    std::vector<T> buffer;
public:
    bool try_push(T val) {
        size_t t = tail.load(std::memory_order_acquire);
        if ((t + 1) % buffer.size() == head.load(std::memory_order_relaxed)) 
            return false;
        buffer[t] = std::move(val);
        tail.store((t + 1) % buffer.size(), std::memory_order_release);
        return true;
    }
};