二八法则适合很多事物：最重要的只占其中一小部分，约20%，其余80%的尽管是多数，却是次要的。在程序代码中也是一样，决定应用性能的就那20%的代码(甚至更少)。因此优化实践中，我们将精力集中优化那20%最耗时的代码上，这那20%的代码就是程序的性能瓶颈，主要针对这部分代码进行优化。
常见优化方法：这部分我就不写，直接参见《性能调优攻略》，因为我没有自信能写出比这更好的。
如果不想这么深入地了解，看看《C++程序常见的性能调优方式》这篇文章也是不错的。
应用案例我们以一个应用案例来讲解，以至于不会那么乏味难懂。
我们知道能被1和它本身整除的整数叫质数，假设1到任意整数N的和为Sn(Sn=1+2+3+…+n)。现在要求10000到100000之间所有质数和Sn。
可能你会觉得这问题不是So Easy吗！都不用脑袋想，咣当一下就把代码写完了，代码如下：
#include <iostream> #include <windows.h> // 定义64位整形 typedef __int64 int64_t; // 获取系统的当前时间，单位微秒(us) int64_t GetSysTimeMicros() { // 从1601年1月1日0:0:0:000到1970年1月1日0:0:0:000的时间(单位100ns) #define EPOCHFILETIME (116444736000000000UL) FILETIME ft; LARGE_INTEGER li; int64_t tt = 0; GetSystemTimeAsFileTime(&ft); li.LowPart = ft.dwLowDateTime; li.HighPart = ft.dwHighDateTime; // 从1970年1月1日0:0:0:000到现在的微秒数(UTC时间) tt = (li.QuadPart - EPOCHFILETIME) / 10; return tt; } // 计算1到n之间所有整数的和 int64_t CalculateSum(int n) { if (n < 0) { return -1; } int64_t sum = 0; for (int i = 0; i < n; i++) { sum += i; } return sum; } // 判断整数n是否为质数 bool IsPrime(int n) { if (n < 2) { return false; } for (int i = 2; i < n; i++) { if (n %i == 0) { return false; } } return true; }
void main() { int64_t startTime = GetSysTimeMicros(); int count = 0; int64_t sum = 0; for (int i = 10000; i <= 100000; i++) { if (IsPrime(i)) { sum = CalculateSum(i); std::cout << sum << " "; count++; if (count % 10 == 0) { std::cout << std::endl; } } } int64_t usedTime = GetSysTimeMicros() - startTime; int second = usedTime / 1000000; int64_t temp = usedTime % 1000000; int millise = temp / 1000; int micros = temp % 1000; std::cout << "执行时间:" << second << "s " << millise << "' " << micros << "''" << std::endl; }
然后运行。
我想这肯定不是你要的结果(太慢了)，如果你觉得还满意，那下面的就可以不用看了。
VS的性能分析工具性能分析工具的选择
打开一个“性能分析”的会话:Debug->Start Diagnotic Tools Without Debugging(或按Alt+F2)，VS2013在Analysis菜单中。
CPU Usage
检测CPU的性能，主要用于发现影响CPU瓶颈(消耗大量CPU资源)的代码。
GPU Usage
检测GPU的性能，常用于图形引擎的应用(如DirectX程序)，主要用于判断是CPU还是GPU的瓶颈。
Memory Usage
检测应用程序的内存，发现内存。
Performance Wizard
性能(监测)向导，综合检测程序的性能瓶颈。这个比较常用，下面再逐一说明。
性能(监测)向导1.指定性能分析方法；
CPU Sampling(CPU采样)：
进行采样统计，以低开销水平监视占用大量CPU的应用程序。这个对于计算量大的程序可大大节省监控时间。
Instrumentation(检测)：
完全统计，测量函数调用计数和用时
.NET memory allocation(.NET 内存分配)：
跟踪托管内存分配。这个好像只有托管代码(如C#)才可用，一般以C++代码好像不行。
Resource contention data(并发)：
检测等待其他线程的线程，多用于多线程的并发。
2.选择要检测的模块或应用程序；
3.启动分析程序进行监测。
性能分析报告程序分析完成之后会生成一个分析报告，这就是我们需要的结果。
视图类型
有几个不同的视图可供我们切换，下面加粗的部分是个人觉得比较方便和常用的视图。
Summary(概要):整个报告概要说明
Call Tree(调用树):以树形表格的方式展开函数之间的关系。
Module(模块):分析调用的不同的程序模块，如不同的DLL、lib模块的耗时
Caller/Callee(调用与被调用):以数值显示的调用与被调用的关系
Functions(函数统计):以数值显示的各个函数的执行时间和执行次数统计值
Marks(标记):
Processers(进程):
Function Detials(函数详情):以图表的方式形象地显示：调用函数-当前函数-被调用子函数之间的关系和时间比例。
调用树
函数详情
函数统计
专用术语
如果是第一次看这报告，你还不一定能看懂。你需要先了解一些专用术语(你可以对照着Call Tree视图和Functions视图去理解)：
Num of Calls:(函数)调用次数
Elapsed Inclusive Time:已用非独占时间
Elapsed Exclusive Time:已用独占时间
Avg Elapsed Inclusive Time:平均已用非独占时间
Avg Elapsed Exclusive Time:平均已用独占时间
Module Name:模块名称，一般为可执行文件(.exe)、动态库(.dll)、静态库(.lib)的名称。
也许看完你还迷糊，只要理解什么是独占与非独占你就都明白了。
什么是独占与非独占
非独占样本数是指的包括了子函数执行时间的总执行时间
独占样本数是不包括子函数执行时间的函数体执行时间，函数执行本身花费的时间，不包括子(函数)树执行的时间。
解决应用案例问题
我们已经大致了解了VS2015性能分析工具的使用方法。现在回归本质，解决上面提及的应用案例的问题。
1、我们选择Function Detials视图，从根函数开始依据百分比最大的项选择，直到选择PrintPrimeSum，这时可以看到如下图：
找出性能瓶颈1
我们可以看到IO占了50%多(49.4%+9.7%)的时间，所以IO是最大的性能瓶颈。其实，有一定编程经验的人应该都能明白，在控制台输出信息是很耗时的。我们只是需要结果，不一定非要在控制中全部输出(这样还不便查看)，我们可以将结果保存到文件，这样也比输出到控制台快。
注：上图所示的时间，应该是非独占时间的百分比。
知道了瓶颈，就改进行代码优化吧：
void main() { int64_t startTime = GetSysTimeMicros(); std::ofstream outfile; outfile.open("D:\Test\PrimeSum.dat", std::ios::out | std::ios::app); int count = 0; int64_t sum = 0; for (int i = 10000; i <= 100000; i++) { if (IsPrime(i)) { sum = CalculateSum(i); outfile << sum << " "; count++; if (count % 10 == 0) { outfile << std::endl; } } } outfile.close(); int64_t usedTime = GetSysTimeMicros() - startTime; int second = usedTime / 1000000; int64_t temp = usedTime % 1000000; int millise = temp / 1000; int micros = temp % 1000; std::cout << "执行时间:" << second << "s " << millise << "' " << micros << "''" << std::endl; }
再次执行，发现时间一下减小到
效果很明显！
2、但这还不够，继续检查别的问题，对新代码再次用性能分析工具检测一下。
找出性能瓶颈2
我们发现IsPrime函数占用了62%的时间，这应该是一个瓶颈，我们能不能对其进行算法的优化？仔细想想，上面求质数的方法其实是最笨的方法，稍微对其进行优化一下：
// 判断整数n是否为质数 bool IsPrime(int n) { if (n < 2) { return false; } if (n == 2) { return true; } //把2的倍数剔除掉 if (n%2 == 0) { return false; } // 其实不能被小于n的根以下的数整除，就是一个质数 for (int i = 3; i*i <= n; i += 2) { if (n % i == 0) { return false; } } return true; }
再次执行，发现时间一下减小到：
几乎减了一半的时间。
3、这还是有点慢，再看看还能不能进行优化。对新代码再次用性能分析工具检测一下。
CalculateSum函数占了88.5%的时间，这绝对是影响目前程序性能的主要因素。对其进行。仔细想想，求1到N的和其实就是求1、2、3 … N的等差数列的和。优化代码如下：
// 计算1到n之间所有整数的和 int64_t CalculateSum(int n) { if (n < 0) { return -1; } //(n * (1 + n)) / 2 return ( n * (1 + n) ) >> 1; }
再次执行，发现时间一下减小到：
一秒中之内，基本上可以满足要求子。
总结程序性能调优，就是数上面这样一点点地改进的过程，直到满足应用的要求。上面只用了一个视图的一种统计指标(各函数所用时间占总时间的百分比)，就解决了问题。对于大型的复杂应用程序，我们可以结果多种视图的多种统计指标进行综合判断，找出程序性能的瓶颈！
代码：
#include <iostream> #include <windows.h> // 定义64位整形 typedef __int64 int64_t; // 获取系统的当前时间，单位微秒(us) int64_t GetSysTimeMicros() { // 从1601年1月1日0:0:0:000到1970年1月1日0:0:0:000的时间(单位100ns) #define EPOCHFILETIME (116444736000000000UL) FILETIME ft; LARGE_INTEGER li; int64_t tt = 0; GetSystemTimeAsFileTime(&ft); li.LowPart = ft.dwLowDateTime; li.HighPart = ft.dwHighDateTime; // 从1970年1月1日0:0:0:000到现在的微秒数(UTC时间) tt = (li.QuadPart - EPOCHFILETIME) / 10; return tt; } // 计算1到n之间所有整数的和 int64_t CalculateSum(int n) { if (n < 0) { return -1; } int64_t sum = 0; for (int i = 0; i < n; i++) { sum += i; } return sum; } // 判断整数n是否为质数 bool IsPrime(int n) { if (n < 2) { return false; } for (int i = 2; i < n; i++) { if (n %i == 0) { return false; } } return true; } void PrintPrimeSum() { int64_t startTime = GetSysTimeMicros(); int count = 0; int64_t sum = 0; for (int i = 10000; i <= 100000; i++) { if (IsPrime(i)) { sum = CalculateSum(i); std::cout << sum << " "; count++; if (count % 10 == 0) { std::cout << std::endl; } } } int64_t usedTime = GetSysTimeMicros() - startTime; int second = usedTime / 1000000; int64_t temp = usedTime % 1000000; int millise = temp / 1000; int micros = temp % 1000; std::cout << "执行时间:" << second << "s " << millise << "' " << micros << "''" << std::endl; }