C++大厂面试真题宝典 精选100道
原创
C++大厂面试真题宝典 精选100道
原创
用户11659095
发布于 2025-05-30 15:59:15
发布于 2025-05-30 15:59:15
从实战角度总结的C++性能优化案例，结合汇编视角分析底层原理，帮助理解优化本质：
案例1：循环展开（Loop Unrolling）
问题：循环控制开销占比高
cpp// 原始代码for(int i=0; i<1024; i++) { sum += arr[i];} // 优化后（展开4次）for(int i=0; i<1024; i+=4) { sum += arr[i] + arr[i+1] + arr[i+2] + arr[i+3];}汇编视角：
- 原始代码：
cmp,jl指令反复执行1024次 - 优化后：循环次数减少为256次，减少分支预测失败概率
案例2：分支预测优化
问题：条件分支导致流水线停滞
cpp// 原始代码（分支密集）if (x < 0) { x = -x;} // 优化后（无分支版本）x = x < 0 ? -x : x;汇编视角：
- 原始代码：
test,jge指令可能导致预测错误 - 优化后：使用
CMOV指令（条件移动）消除分支
案例3：内存访问对齐
问题：非对齐内存访问导致性能下降
cpp// 原始代码（未对齐）float* arr = (float*)malloc(N*sizeof(float)+1); // 故意不对齐 // 优化后alignas(64) float arr[N]; // 使用C++11对齐属性汇编视角：
- 原始代码：
movups（非对齐加载） - 优化后：
movaps（对齐加载，吞吐量翻倍）
案例4：SIMD指令优化
问题：标量运算未利用向量单元
cpp// 原始代码（标量计算）for(int i=0; i<N; i++) { a[i] = b[i] * c[i];} // 优化后（AVX2向量化）#include <immintrin.h>__m256 *a_vec = (__m256*)a;__m256 *b_vec = (__m256*)b;__m256 *c_vec = (__m256*)c;for(int i=0; i<N/8; i++) { a_vec[i] = _mm256_mul_ps(b_vec[i], c_vec[i]);}汇编视角：
- 原始代码：
vmulss（单精度标量乘） - 优化后：
vmulps（单指令8路并行乘）
案例5：消除假共享（False Sharing）
问题：多线程竞争同一缓存行
cpp// 原始代码（结构体紧凑布局）struct Data { int a; int b;} data[8]; // 优化后（添加填充）struct alignas(64) PaddedData { int a; char padding[60]; // 填充至64字节 int b;};PaddedData data[8];汇编视角：
- 原始代码：多个线程频繁触发
MOVNTDQA（非临时读取） - 优化后：每个线程操作独立缓存行，减少
MESI协议开销
案例6：内联函数优化
问题：函数调用开销显著
cpp// 原始代码inline int add(int a, int b) { return a+b; } // 优化后（强制内联）__attribute__((always_inline)) inline int add(int a, int b) { return a+b;}汇编视角：
- 原始代码：
call add指令 - 优化后：直接内联为
add指令，消除调用栈开销
案例7：移动语义优化
问题：临时对象拷贝开销
cpp// 原始代码std::vector<std::string> v;v.push_back(std::string("hello")); // 触发拷贝 // 优化后v.emplace_back("hello"); // 直接构造汇编视角：
- 原始代码：
movaps拷贝内存 - 优化后：
lea直接计算地址，无拷贝操作
案例8：避免动态分配
问题：频繁new/delete导致内存碎片
cpp// 原始代码for(auto& obj : objects) { obj = std::make_unique<Data>();} // 优化后（对象池）std::vector<Data> pool(1024);auto& obj = pool[idx++];汇编视角：
- 原始代码：
call operator new频繁系统调用 - 优化后：栈分配或预分配内存，无
malloc指令
案例9：消除虚函数调用
问题：虚函数表查找开销
cpp// 原始代码class Shape { virtual void draw()=0; }; // 优化后（CRTP模式）template<typename Derived>class Shape {public: void draw() { static_cast<Derived*>(this)->draw_impl(); }};汇编视角：
- 原始代码：通过虚表指针
mov rax, [rdi]查找函数地址 - 优化后：直接调用
call目标函数，无间接跳转
案例10：循环交换（Loop Interchange）
问题：内存访问不连续
cpp// 原始代码（行优先访问）for(int i=0; i<N; i++) { for(int j=0; j<M; j++) { arr[i][j] = ...; // 列访问不连续 }} // 优化后（列优先访问）for(int j=0; j<M; j++) { for(int i=0; i<N; i++) { arr[i][j] = ...; // 行访问连续 }}汇编视角：
- 原始代码：
mov eax, [rsi+rdx*4]步长不固定 - 优化后：连续内存访问，利用
prefetcht0预取
案例11：避免类型转换
问题：隐式类型转换开销
cpp// 原始代码double sum = 0.0;for(int i=0; i<N; i++) { sum += arr[i]; // int到double隐式转换} // 优化后double sum = 0.0;for(int i=0; i<N; i++) { sum += static_cast<double>(arr[i]); // 显式转换}汇编视角：
- 原始代码：
cvtsi2sd隐式转换指令 - 优化后：编译器可能优化为
vmovsd直接加载
案例12：编译器优化选项
问题：未充分利用编译器优化
bash# 原始编译g++ -O0 code.cpp # 优化后g++ -O3 -march=native code.cpp汇编视角：
-O0：包含调试信息，无优化-O3：启用循环展开、内联、向量化等高级优化-march=native：生成针对当前CPU的SIMD指令（如AVX-512）
核心优化原则
- 减少分支：降低分支预测失败率
- 提升局部性：利用CPU缓存（时间/空间局部性）
- 向量化：充分利用SIMD指令集
- 减少内存操作：避免缓存失效和页面错误
- 消除冗余：减少重复计算和临时对象
通过汇编视角分析，可以直观看到优化如何影响指令流水线、内存访问模式和CPU资源利用率，这是理解性能瓶颈的关键。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
