一些卡常技巧

什么？你说这些东西没用？

　　那你就大错特错了。WC考过的东西怎么可能没用

NTT时加法取模用

ll add(ll a,ll b){a+=b;return (a>=b?a-=p:0),a;}

　　会比

ll add(ll a,ll b){return (a+b)%p;}

　　快 (20\%)（我的写法），减法同理。

开O2之后FFT会比不开快几倍

　　不开O2：NTT比FFT快
　　开O2：FFT比NTT快

常数尽量声明成常量

　　有一道NTT的题，模数声明成变量跑了(1166)ms，模数声明成常量跑了不到(300)ms

//6s
const int p=10;
int main()
{
	open("orzzjt");
	int a;
	scanf("%d",&a);
	int i;
	for(i=1;i<=1000000000;i++)
		a=(a*a+10)%p;
	printf("%d
",a);
	return 0;
}

//10s
int p=10;
int main()
{
	open("orzzjt");
	int a;
	scanf("%d",&a);
	int i;
	for(i=1;i<=1000000000;i++)
		a=(a*a+10)%p;
	printf("%d
",a);
	return 0;
}

能用位运算尽量用位运算

　　当然，编译器大多数情况下会帮你优化掉。

少用除法和取模

　　加法运算只要(1)个时钟周期，乘法运算只要(3)个时钟周期，而除法和取模运算要几到几十个时钟周期。

　　(3 imes 3)的矩阵乘法：边加边取模：(27)次取模运算；全部算完再取模：(9)次取模运算。

优化高位数组的寻址

　　用指针保存上一次使用的地址，直接加偏移。

对于一个值的重复运算，存入临时变量中

消除条件跳转

　　a：对于适合分治预测的数据，测得平均一次循环需要(4.0)个时钟周期；对于随机数据，测得平均一次循环需要(12.8)个时钟周期。可见，分支预测错误的惩罚为(2 imes (12.8-4.0)=17.6)个时钟周期。

　　b：用三元运算符重写，让编译器生成一种基于条件传送的汇编代码。测得不论数据如何，平均一次循环只需要(4.1)个时钟周期。

//a.cpp
void minmax1(int *a,int *b,int n)
{
	for(int i=1;i<=n;i++)
      	if(a[i]>b[i])
        {
			int t=a[i];
			a[i]=b[i];
			b[i]=t;
		}
}

//b.cpp
void minmax2(int *a,int *b,int n)
{
	for(int i=1;i<=n;i++)
	{
		int mi=a[i]<b[i]?a[i]:b[i];
		int ma=a[i]<b[i]?b[i]:a[i];
		a[i]=mi;
		b[i]=ma;
	}
}

循环展开

　　a：平均每个元素需要(3.65)个时钟周期。

　　b：平均每个元素需要(1.36)个时钟周期。

　　这样能够刺激CPU并行。

　　当展开次数过多时，性能反而会下降，因为寄存器不够用(longrightarrow)寄存器溢出

　　注意每部分要独立以及处理非展开次数的倍数的部分

//a.cpp
double sum(double *a,int n)
{
	double s=0;
	for(int i=1;i<=n;i++)
	{
		s+=a[i];
	}
	return s;
}

//b.cpp
double sum(double *a,int n)
{
	double s0=0,s1=0,s2=0,s3=0;
	for(int i=1;i<=n;i+=4)
	{
		s0+=a[i];
		s1+=a[i+1];
		s2+=a[i+2];
		s3+=a[i+3];
	}
	return s0+s1+s2+s3;
}

编写缓存友好的代码

空间局部性好

　　尽量使用步长为(1)的访问模式，即访问的内存是连续的。

　　在遍历高维数组是很重要

时间局部性好

　　是内存访问的工作集尽量小

　　在统计整数二进制表示中(1)的个数时，分两段查表有时不如分三段好。

(2)的幂的访问模式

　　避免缓存冲突。

　　在状压DP、使用高位数组时很重要

　　解决方法：把数组稍微开大一些

一些数据

类型	延迟（周期数）
CPU寄存器	(0)
TLB	(0)
L1高速缓存	(4)
L2高速缓存	(10)
L3高速缓存	(50)
虚拟内存	(200)

　　在某Intel Core i5 CPU上，有这些高速缓存：

高速缓存类型	访问时间（周期）	高速缓存大小	相联度	块大小	组数
L1 I-Cache	(4)	(32)KB	(8)	(64)B	(64)
L1 D-Cache	(4)	(32)KB	(8)	(64)B	(64)
L2 Cache	约(12)	(256)KB	(4)	(64)B	(512)
L3 Cache	约(50)	(6)MB	(12)	(64)B	(8192)

　　对于不同的(n)和(d)，反复调用这个程序，具有不同的时空局部性。

　　容易得知，(n)越小，时间局部性越好，(d)越小，空间局部性越好。

int sum(int *a,int n,int d)
{
	int s=0;
	for(int i=0;i<n;i++)
		s+=a[i*d];
	return s;
}

空间局部性

　　(n)足够大时结果如下

　　与理论相符

(d)	(1)	(2)	(3)	(4)	(8)	(16)	(32)	(64)
周期数	(1.50)	(2.34)	(3.46)	(4.73)	(9.70)	(15.00)	(19.76)	(20.26)

时间局部性

　　(n=200)时结果如下

(d)	(2^{19})	(2^{19}+1)
周期数	(159)	(1.18)

　　这是为什么呢？

　　(200)个整数，显然能在L1缓存装得下？

　　对于(d=2^{19})，每次内存访问时，地址的后(19)位都是一样的。

　　根据CPU高速缓存的原理，这些地址必然会被映射到同一个组

　　因此，缓存只有一组，(159)周期就是内存访问速度。

　　p.s.：后(19)位一样的是虚拟地址，在映射成物理地址之后，由于操作系统的特性，也至少有后(12)位是一样的。