跳到主要内容
C++ 性能优化实操:内存、CPU 与 I/O 的优化方法 | 极客日志
C++ 算法
C++ 性能优化实操:内存、CPU 与 I/O 的优化方法 通过智能指针、预分配、循环合并、内联函数和异步I/O等具体实例,展示了C++性能优化的常见手法。矩阵乘法对比朴素实现与缓存友好的转置算法,体现了算法选择对性能的显著影响。优化原则是先测量后调整,聚焦热点,并保持代码可读性。
赛博行者 发布于 2026/6/25 更新于 2026/7/2 3 浏览C++的性能优化不是靠感觉调参,而是需要测量驱动。这篇文章记录了几个常见场景的优化思路和具体代码,涉及内存管理、CPU计算和I/O操作,最后用一个矩阵乘法的例子对比了算法差异带来的影响。
优化前的几条原则
真正动手之前,有几件事值得记住:
先测量,再优化 ——盲目修改多半是浪费时间,用gprof、perf或者Valgrind这类工具找到真正的瓶颈。
盯着关键路径 ——大部分时间都耗在少数热点上,抓大放小是基本原则。
别为优化牺牲可读性 ——除非毫秒级延迟真的关键,否则代码的可维护性比微秒级提升更值钱。
优化后要验证 ——回归测试不能省,保证行为没被改坏。
工具方面,GProf、Valgrind、Perf和Visual Studio Profiler都能胜任,根据平台顺手就行。
内存管理
用智能指针防泄漏
手动new/delete容易出错,现代C++直接用智能指针让RAII自动回收资源。下面是最简单的例子:
#include <iostream>
#include <memory>
class MyClass {
public :
MyClass () { std::cout << "MyClass 构造函数" << std::endl; }
~MyClass () { std::cout << "MyClass 析构函数" << std::endl; }
void doSomething () { std::cout << "MyClass 正在做某事" << std::endl; }
};
void useSmartPointer () {
std::shared_ptr<MyClass> ptr = std::make_shared <MyClass>();
ptr->doSomething ();
}
int main () {
std::cout << "=== 内存管理优化示例 ===" << std::endl;
useSmartPointer ();
return 0 ;
}
预分配减少堆碎片
频繁的小内存分配会让堆碎片化,对于知道大小的容器,提前 可以避免多次重新分配。两种写法的开销差距明显:
reserve
#include <iostream>
#include <vector>
#include <chrono>
void preallocateMemory () {
const int size = 10000 ;
std::vector<int > vec;
vec.reserve (size);
for (int i = 0 ; i < size; ++i) {
vec.push_back (i);
}
}
void notPreallocateMemory () {
const int size = 10000 ;
std::vector<int > vec;
for (int i = 0 ; i < size; ++i) {
vec.push_back (i);
}
}
int main () {
auto start = std::chrono::high_resolution_clock::now ();
preallocateMemory ();
auto end = std::chrono::high_resolution_clock::now ();
std::cout << "预分配耗时:"
<< std::chrono::duration_cast <std::chrono::microseconds>(end - start).count ()
<< "微秒" << std::endl;
return 0 ;
}
实际测试中,预分配版本在10000个int的场景下通常快一倍以上。
CPU 优化
循环合并与缓存友好 多次遍历数组会反复触发缓存未命中,把相关操作合并到一个循环里能提高数据局部性。
#include <iostream>
#include <vector>
#include <chrono>
void optimizedLoop () {
const int size = 10000 ;
std::vector<int > vec1 (size, 1 ) ;
std::vector<int > vec2 (size, 2 ) ;
std::vector<int > result (size, 0 ) ;
for (int i = 0 ; i < size; ++i) {
result[i] = vec1[i] + vec2[i];
}
}
void unoptimizedLoop () {
const int size = 10000 ;
std::vector<int > vec1 (size, 1 ) ;
std::vector<int > vec2 (size, 2 ) ;
std::vector<int > result (size, 0 ) ;
for (int i = 0 ; i < size; ++i) result[i] = vec1[i];
for (int i = 0 ; i < size; ++i) result[i] += vec2[i];
}
int main () {
auto start = std::chrono::high_resolution_clock::now ();
optimizedLoop ();
auto end = std::chrono::high_resolution_clock::now ();
std::cout << "优化循环耗时:"
<< std::chrono::duration_cast <std::chrono::microseconds>(end - start).count ()
<< "微秒" << std::endl;
return 0 ;
}
这里优化的效果在小规模数据上不太明显,但数据量增大后优势会显现。
内联函数减少调用开销 对于高频调用的短函数,用inline可以省去栈帧建立和返回的开销,虽然在现代编译器优化下不一定有肉眼可见的差距,但习惯上能帮助编译器决策。
#include <iostream>
#include <chrono>
inline int add (int a, int b) {
return a + b;
}
int addNotInline (int a, int b) {
return a + b;
}
void testFunctionCallOverhead () {
const int size = 1000000 ;
int result = 0 ;
auto start = std::chrono::high_resolution_clock::now ();
for (int i = 0 ; i < size; ++i) {
result += add (i, i);
}
auto end = std::chrono::high_resolution_clock::now ();
std::cout << "内联函数调用耗时:"
<< std::chrono::duration_cast <std::chrono::microseconds>(end - start).count ()
<< "微秒" << std::endl;
}
int main () {
testFunctionCallOverhead ();
return 0 ;
}
I/O 操作
文件 I/O 缓冲 默认流是缓冲的,一般够用,但在大批量写入时显式控制缓冲区或许能调整吞吐。频繁地打开关闭文件反而是更常见的坑。
#include <iostream>
#include <fstream>
#include <chrono>
void optimizedFileIO () {
const std::string filename = "test.txt" ;
const int size = 10000 ;
std::ofstream file (filename) ;
for (int i = 0 ; i < size; ++i) {
file << i << std::endl;
}
file.close ();
}
int main () {
auto start = std::chrono::high_resolution_clock::now ();
optimizedFileIO ();
auto end = std::chrono::high_resolution_clock::now ();
std::cout << "文件 I/O 耗时:"
<< std::chrono::duration_cast <std::chrono::milliseconds>(end - start).count ()
<< "毫秒" << std::endl;
return 0 ;
}
网络 I/O 异步处理 同步网络调用会锁住线程,用Boost.Asio这类库实现异步读写可以大幅提升并发能力。
#include <iostream>
#include <boost/asio.hpp>
#include <boost/asio/ip/tcp.hpp>
#include <boost/asio/streambuf.hpp>
#include <sstream>
using boost::asio::ip::tcp;
void optimizedNetworkIO () {
try {
boost::asio::io_service io_service;
tcp::resolver resolver (io_service) ;
tcp::resolver::query query ("example.com" , "http" ) ;
tcp::resolver::iterator endpoint_iterator = resolver.resolve (query);
tcp::socket socket (io_service) ;
boost::asio::connect (socket, endpoint_iterator);
std::string request = "GET / HTTP/1.1\r\n" ;
request += "Host: example.com\r\n" ;
request += "Connection: close\r\n\r\n" ;
boost::asio::write (socket, boost::asio::buffer (request));
boost::asio::streambuf response;
boost::asio::read_until (socket, response, "\r\n" );
std::istream is (&response) ;
std::string status_line;
is >> status_line;
} catch (const std::exception& e) {
std::cerr << "错误:" << e.what () << std::endl;
}
}
int main () {
optimizedNetworkIO ();
return 0 ;
}
综合案例:矩阵乘法优化 矩阵乘法是考察缓存利用的经典例子。朴素的三层循环会在内层反复跳跃式访问数据,而转置第二个矩阵后可以利用顺序访问大幅减少缓存缺失。
项目结构 MatrixMultiplicationOptimization/
├── include/
│ └── Matrix.h
├── src /
│ ├── Matrix.cpp
│ └── main .cpp
└── build/
头文件 #ifndef MATRIX_H
#define MATRIX_H
#include <vector>
#include <chrono>
using namespace std;
using namespace chrono;
class Matrix {
public :
Matrix (int rows, int cols);
Matrix (const vector<vector<int >>& data);
int getRows () const ;
int getCols () const ;
int & operator () (int row, int col) ;
const int & operator () (int row, int col) const ;
Matrix multiplyNaive (const Matrix& other) const ;
Matrix multiplyOptimized (const Matrix& other) const ;
void print () const ;
vector<vector<int >> getTransposed () const ;
private :
int rows_;
int cols_;
vector<vector<int >> data_;
};
#endif
实现文件 #include "Matrix.h"
#include <iostream>
#include <stdexcept>
Matrix::Matrix (int rows, int cols)
: rows_ (rows), cols_ (cols), data_ (rows, vector <int >(cols, 0 )) {}
Matrix::Matrix (const vector<vector<int >>& data)
: rows_ (data.size ()), cols_ (data[0 ].size ()), data_ (data) {}
int Matrix::getRows () const { return rows_; }
int Matrix::getCols () const { return cols_; }
int & Matrix::operator () (int row, int col) { return data_[row][col]; }
const int & Matrix::operator () (int row, int col) const { return data_[row][col]; }
Matrix Matrix::multiplyNaive (const Matrix& other) const {
if (cols_ != other.rows_) throw invalid_argument ("矩阵尺寸不兼容" );
Matrix result (rows_, other.cols_) ;
for (int i = 0 ; i < rows_; ++i) {
for (int j = 0 ; j < other.cols_; ++j) {
for (int k = 0 ; k < cols_; ++k) {
result (i, j) += data_[i][k] * other.data_[k][j];
}
}
}
return result;
}
Matrix Matrix::multiplyOptimized (const Matrix& other) const {
if (cols_ != other.rows_) throw invalid_argument ("矩阵尺寸不兼容" );
Matrix result (rows_, other.cols_) ;
vector<vector<int >> otherTransposed = other.getTransposed ();
for (int i = 0 ; i < rows_; ++i) {
for (int j = 0 ; j < other.cols_; ++j) {
int sum = 0 ;
for (int k = 0 ; k < cols_; ++k) {
sum += data_[i][k] * otherTransposed[j][k];
}
result (i, j) = sum;
}
}
return result;
}
vector<vector<int >> Matrix::getTransposed () const {
vector<vector<int >> transposed (cols_, vector <int >(rows_));
for (int i = 0 ; i < rows_; ++i) {
for (int j = 0 ; j < cols_; ++j) {
transposed[j][i] = data_[i][j];
}
}
return transposed;
}
void Matrix::print () const {
for (const auto & row : data_) {
for (int value : row) cout << value << " " ;
cout << endl;
}
}
主程序与构建 #include <iostream>
#include <vector>
#include <chrono>
#include "Matrix.h"
using namespace std;
using namespace chrono;
int main () {
std::cout << "=== 矩阵乘法优化示例 ===" << std::endl;
const int size = 100 ;
Matrix matrix1 (size, size) ;
Matrix matrix2 (size, size) ;
for (int i = 0 ; i < size; ++i) {
for (int j = 0 ; j < size; ++j) {
matrix1 (i, j) = i + j;
matrix2 (i, j) = i * j;
}
}
auto start = high_resolution_clock::now ();
Matrix resultNaive = matrix1. multiplyNaive (matrix2);
auto end = high_resolution_clock::now ();
std::cout << "朴素算法耗时:"
<< duration_cast <milliseconds>(end - start).count ()
<< "毫秒" << std::endl;
start = high_resolution_clock::now ();
Matrix resultOptimized = matrix1. multiplyOptimized (matrix2);
end = high_resolution_clock::now ();
std::cout << "优化算法耗时:"
<< duration_cast <milliseconds>(end - start).count ()
<< "毫秒" << std::endl;
return 0 ;
}
mkdir -p build && cd build
cmake -DCMAKE_BUILD_TYPE=Release ..
cmake --build . --config Release
./MatrixMultiplicationOptimization
在100×100的矩阵上,优化版本通常能快一倍以上,数据规模越大差距越明显。
还能做什么 性能优化永无止境。前面这些例子只是入门,如果真遇到瓶颈,可以试试这些方向:
用gprof或perf跑一遍你的项目,把热点函数列出来。
把智能指针封装成习惯,杜绝裸new/delete。
研究一下SIMD指令集,比如SSE或AVX,对循环里密集运算很有帮助。
高频分配小对象的场景,可以自己实现内存池。
如果是CPU密集型任务,考虑多线程或异步模型,别让核心闲着。
相关免费在线工具 加密/解密文本 使用加密算法(如AES、TripleDES、Rabbit或RC4)加密和解密文本明文。 在线工具,加密/解密文本在线工具,online
Gemini 图片去水印 基于开源反向 Alpha 混合算法去除 Gemini/Nano Banana 图片水印,支持批量处理与下载。 在线工具,Gemini 图片去水印在线工具,online
Base64 字符串编码/解码 将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具,Base64 字符串编码/解码在线工具,online
Base64 文件转换器 将字符串、文件或图像转换为其 Base64 表示形式。 在线工具,Base64 文件转换器在线工具,online
Markdown转HTML 将 Markdown(GFM)转为 HTML 片段,浏览器内 marked 解析;与 HTML转Markdown 互为补充。 在线工具,Markdown转HTML在线工具,online
HTML转Markdown 将 HTML 片段转为 GitHub Flavored Markdown,支持标题、列表、链接、代码块与表格等;浏览器内处理,可链接预填。 在线工具,HTML转Markdown在线工具,online