Literatur
---------

Allgemein:

J. L. Bentley, Writing Efficient Programs, Prentice Hall, 1982.

Bitte Kapitel 2 nicht im vorhinein lesen (kann auch übersprungen werden).


Mikrooptimierungen: Optimierungsmanuals diverser Prozessorhersteller,
z.B.:

Ist Effizienz nötig?
--------------------

Häufige Behauptung: "Heute sind die Computer so schnell (haben soviel
Speicher, etc.), dass man sich keine Gedanken um Effizienz machen
muss."

Andererseits: Warum ersetzen die meisten ihre alten Computer noch
immer durch neuere?  Warum geben die Käufer mehr Geld für
schnellere/größere Computer aus, statt sich den billigsten (und damit
langsamsten etc.) zu kaufen, wenn der langsamste ohnehin schnell genug
ist?

Nicht jede Software und ihre Anwendung ist gleich; es gibt

- Software, die auf allen Computern der letzten fünf Jahre bei allen
vorkommenden Eingaben so schnell reagiert, dass es von Menschen als
"sofort" wahrgenommen wird, bzw. die bei wiederholter Eingabe oder
gleichzeitigem Betrieb mehrerer Prozesse den Prozessor nicht voll
auslastet.

Auf diese Software trifft die obige Behauptung zu.  Aber es gibt auch:

- Software, die früher langsam war, und heute immer noch merkliche
Zeit braucht.  Mehr Geschwindigkeit reduziert die Wartezeiten noch
weiter.

- Software, die früher selten aufgerufen wurde, und heute oft
aufgerufen wird (schnelles Feedback erlaubt andere Arbeitsabläufe).
Mehr Geschwindigkeit bietet noch mehr Freiheiten bei den
Arbeitsabläufen.

- Software, bei der die zu verarbeitenden Eingaben mit der Zeit größer
oder komplexer geworden sind, sodass sie noch immer ähnlich lange
braucht wie früher.  Mehr Geschwindigkeit erlaubt die Verarbeitung noch
größerer Mengen an Daten.

- Software, bei der die schnellere Hardware zu Verbesserungen in der
Funktionalität ausgenutzt wurde, sodass die Geschwindigkeit immer noch
gleich ist, aber die Software besser/schöner.  Mehr Geschwindigkeit
erlaubt noch mehr Funktionalität.

Übung: Nennen sie für jeden dieser fünf Fälle ein Software-Produkt.


Arten von Effizienz
-------------------

Laufzeit
  CPU
  Festplatte
  Netzwerk
  andere I/O
Speicher
  Hauptspeicher (RAM)
  ROM (bei embedded systems)
  Plattenspeicher
Effizienz in der Benutzung (Requirements-Analyse, user interface design)


Kosten von Ineffizienz
----------------------

Bei interaktiven Anwendungen: Wartezeit des Benutzers.  Wartezeiten im
Bereich von 1-10s führen zu ca. dem dreifachen Zeitverlust beim
Benutzer.

Früher: CPU-Sekunden-Verrechnung.  Bentley (1982) nennt z.B. $200 pro
CPU-Stunde einer DEC-10 und $50 Kosten pro Programmiererstunde.

Heute auf Servern: Mehr Server (Hardware, Administrationsaufwand,
Platz- und Energieverbrauch).

Bei embedded systems: Teurere Hardware (mehr RAM/ROM, schnellerer
Prozessor, stärkere Stromversorgung, bessere Abschirmung, etc.), in
x-facher Ausführung.


Wieviel Effizienz ist sinnvoll?
-------------------------------

Interaktive Software: Latenzzeiten von unter 0.3s werden bei
Befehl-Antwort-Interaktion als "sofort" empfunden.  Bei interaktiver
Software mit Hand-Auge-Koordination (oder auch Hand-Ohr-Koordination)
sind noch wesentlich geringere Latenzzeiten erforderlich (20ms im
Musik-Bereich).

Animierte Software: mehr Frames/s als die Bildwiederholrate des
Bildschirms können nicht gezeigt werden.

Wenn ein Teilsystem den Zeitverbrauch (oder sonstigen
Resourcenverbrauch) dominiert und nicht weiter optimiert werden kann,
ist es meist nicht sinnvoll, die anderen Teilsysteme noch effizienter
zu machen.

Bei vorgegebenen Resourcen und vorgegebener Funktionalität
(z.B. embedded systems) ist es "nur" notwendig, mit den Resourcen
auszukommen.

Bei allgemein verwendbaren Komponenten (z.B. der STL) kann man oft
kein oberes Limit fuer die sinnvolle Effizienz angeben; das hängt von
der jeweiligen Anwendung ab.

Kommerziell: Solange die Kunden fuer das effizientere Produkt soviel
mehr zahlen, wie die Optimierung gekostet hat, ist die Optimierung
kommerziell sinnvoll.  Diese Überlegung setzt voraus, dass eine
nicht-optimierte Version existiert; wenn dagegen ohne Zwischenschritt
eine effizientere Version entwickelt wird, sind die Entwicklungskosten
möglicherweise geringer, aber möglicherweise auch die Einnahmen, wenn
das Prodokt später auf den Markt kommt.


Andere Ziele, oder: Kosten von Effizienz
----------------------------------------

Korrektheit
  "If a program is not correct, it matters little how fast it runs."
  Kernighan und Plauger, The Elements of Programming Style
Klarheit, Einfachheit
Entwicklungsaufwand
 "Debugging is twice as hard as writing the code in the first place.
 Therefore, if you write the code as cleverly as possible, you are,
 by definition, not smart enough to debug it." - Brian W. Kernighan
Wartungsaufwand
geringe time-to-market


Software Engineering
--------------------

Keine Effizienz-Überlegungen ->
  u.U. unbrauchbares Programm
  u.U. grobe Änderungen spät im Entwicklungszyklus, mit entsprechenden Folgen
  für time-to-market, Entwicklungskosten und Wartungsaufwand.

"Wir optimieren alles" ->
  hoher Entwicklungsaufwand
  hoher Wartungsaufwand
  lange Entwicklungszeit (und time-to-market)
  komplexes Programm -> Übersehen von wichtigen Optimierungsmöglichkeiten oder
                        grobe Änderungen spät im Entwicklungszyklus

Beobachtungen:
  Kleine Teile des Codes brauchen den Großteil der Laufzeit
  Man kann Programme so schreiben, dass kleine Teile den Großteil
    des Datenspeichers verwalten
  Aber: Was wieviel braucht, weiß man oft erst durch Messungen am 
        laufenden Code.  Programmierer verschätzen sich dabei oft erheblich.

Konsequenz: Für Einfachkeit, Flexibilität, und Wartbarkeit entwerfen
  und codieren, dann messen, dann die kritischen Teile optimieren, und
  zwar schrittweise (dabei noch möglichst einfach und flexibel
  bleiben, sonst werden spätere Optimierungsschritte schwerer).

Problem: Manche Effizienzprobleme sind schon im Design oder in der
Spezifikation festgelegt -> Prototyping ("Plan to trow one away; you
will, anyway." Fred Brooks).


Methoden
--------

Ist das Programm effizient genug?
  Messung, Instrumentierung (Einfügen von Messcode im Programm)
Wodurch wird die meiste Zeit verbraucht?
  Profiling, Performance Counter, Instrumentierung
Wie mache ich einen Programmteil effizienter?
  Korrektheitserhaltende Transformation
Wurden durch die Optimierung Bugs eingeführt?
  Automatisches Testsystem und Testfälle.

unoptimiertes Programm
  |
  V
Tests
  | bestanden
  V____________________
Messung                \
  | zu ineffizient     |
  V                    |
Profiling              |
  |                    |
  V                    |
Programmtransformation |
  |                    |
  V                    |
Tests                  |
  | bestanden          |
  \____________________/


Was können optimierende Compiler, was nicht?
--------------------------------------------

Compiler verwenden auch korrektheitserhaltende Transformationen, aber

- sie wissen nicht soviel über das konkrete Programm und seine
Korrektheitsbedingungen (z.B. don't-care-Resultate).

- sie betrachten oft nur einen Teil des Programms auf einmal
(z.B. einen Basic Block, eine Schleife, eine Prozedur, oder eine
Compilation Unit), und sehen keine Optimierungsmöglichkeiten jenseits
davon.

- sie wissen oft nicht, was wie oft ausgeführt wird, und was daher
eine Optimierung wäre (aber: profile-guided Optimization).

- die Anzahl der Optimierungen in Compilern ist durch die Ziele
bezüglich Entwicklungsaufwand, Testaufwand, und Zuverlässigkeit
(Anzahl der Bugs) begrenzt.

Oft kann man die eigentliche Optimierung vom Compiler durchführen
lassen, und muss nur die Stolpersteine beseitigen.  Beispiel:

  for (i=0, best=0; i<n; i++)
    if (a[i]<a[best])
      best=i;
  return best;

Das läuft auf vielen Prozessoren schneller, wenn man es so schreibt:

  for (p=a, bestp=a, endp=a+n; p<endp; p++)
    if (*p < *bestp)
      bestp = p;
  return bestp-a;

Das spart dem Prozessor das die Adressberechnung von a[i] und a[best]
in jedem Durchlauf.  Aber eigenlich können die meisten Compiler diese
Optimierung selbst, nur müssen sie weiterhin zusätzlich i und best
mitberechnen, weil

1) best am Ende verwendet wird, und

2) (im Fall von gcc-3.0) die Ersetzung des Vergleichs i<n durch p<endp
nicht sicher korrekt ist (bei Arithmetik mit begrenzten ganzen Zahlen
folgt aus a<b nicht a+c<b+c; allerdings wagen viele Compiler diese
Transformation im Zusammenhang mit Zeigerarithmetik in C trotzdem,
wenn die entsprechenden Zeiger auch im Originalprogramm (implizit)
vorkommen; dann ergibt sich die Korrektheit aus den Regeln für
Zeigerarithmetik in ANSI C, zusammen mit dem Wissen des Compilers über
seine Implementierung dieser Regeln).

Das folgende Programm ist näher am Original, erlaubt dem Compiler aber
diese Optimierung:

  for (i=0, bestp=a; a+i<a+n; i++)
    if (a[i]<*bestp)
      bestp=a+i;
  return bestp-a;

Durch die Verwendung von bestp wurde das erste Problem behoben, und
durch Verwendung von "a+i<a+n" statt "i<n" das zweite.

Typische Stolpersteine für Compiler:

- mögliche Aliase: das Schreiben in eine Speicherstelle und der
Zugriff auf eine andere Speicherstelle können nicht umgeordnet werden,
weil der Compiler nicht weiss, dass die beiden Zugriffe auf
verschiedene Speicherstellen erfolgen.  Viele Optimierungen
wollen viele Operationen umordnen.

- mögliche Seiteneffekte/Exceptions: Der Compiler kann nicht umordnen,
weil er nicht weiss, dass die Operation keine Seiteneffekte hat oder
Exceptions auslöst.

- Schleifendurchläufe: Der Compiler zieht etwas nicht aus einer
Schleife heraus, weil es im Fall der 0-fachen Ausführung inkorrekt
oder ineffizient wäre (und weil sich der Compiler gegen Loop Peeling
entscheidet, z.B. wegen der Codegröße).

Manche Dinge, die Compiler können, sind auch für den Fachmann
überraschend; so optimiert gcc beim Ausdruck

*s1==*s2 && *s1!=0 && *s2!=0

das "*s2!=0" komplett weg.  Wenn man das im Source-Code kommentarlos
weglassen würde, wäre er schlechter lesbar (dieses Fragment stammt aus
einer String-Vergleichsroutine; ohne "*s2!=0" ist es nicht
offensichtlich, dass die Routine terminiert, wenn s2 endet.
Alternativ: wegoptimierten Code als Kommentar im Source-Code
stehenlassen, wenn der Compiler diese Optimierung nicht schafft).

Ein wichtiger Vorteil der Compiler-Optimierung ist also, dass sie
erlaubt, klaren und wartbaren, und trotzdem effizienten Code zu
schreiben.

Inwieweit soll man sich auf den Compiler verlassen?

Einerseits: Mit einem anderen Compiler, in der nächsten Version des
gleichen Compilers, oder nach einer kleinen Änderung am Programm
könnte der Compiler eine bestimmte Optimierung schon nicht mehr
schaffen, und herauszufinden, was ein bestimmter Compiler jetzt
schafft und wie, und was nicht, kostet u.U. mehr Zeit, als die
Optimierung von Hand durchzuführen.

Andererseits: Es gibt Leute, die noch immer ihren ganzen Code so
schreiben, wie das für Optimierungszwecke für bestimmte, heute im
Einsatzbereich der Programme unübliche Prozessoren im Zusammenhang
nicht-optimierenden Compilern zweckmässig war.


Hardware-Eigenschaften
----------------------

Ungefähre Kosten verschiedener Operationen auf in 2001 verkauften
Maschinen (ein Zyklus (Z) ist 0.5ns-2ns, aber das ändert sich sehr
schnell, während die folgenden Werte schon ein paar Jahre lang
halbwegs richtig sind):

 1Z   3-4 unabhängige Befehle
 1Z   Latenzzeit eines ALU-Befehls
 2-3Z Latenzzeit eines Load-Befehls (L1-Hit)
10Z   Latenzzeit eines Load-Befehls (L1-Miss, L2-Hit)
100ns Latenzzeit eines Load-befehls (L2-Miss, Main Memory access)
 30ns eine Cacheline (32-64B) zwischen Prozessor und Hauptspeicher übertragen
 1Z   korrekt vorhergesagter Sprung
10Z   falsch vorhergesagter Sprung (branch misprediction)
4-10Z Latenzzeit Integer-Multiplikation
 4Z   Latenzzeit FP-Addition/Multiplikation
50Z   Latenzzeit Division
100us IP-Ping über Fast Ethernet (100Mb/s)
100us 1KB Übertragung über Fast Ethernet
10ms  Latenzzeit Plattenzugriff (seek & rotational delay)
10ms  400KB sequentieller Plattenzugriff (ohne delay)
100ms Latenzzeit CD-ROM (drehend; bei Stillstand mehrere Sekunden)
100ms 600KB sequentieller CD-ROM-Zugriff

Seit Bentley sein Buch schrieb, haben sich die relativen Kosten der
Operationen verschoben; insbesondere sind die Cache-Miss-Zeiten größer
geworden und branch prediction gab es damals noch überhaupt nicht.
Dafür ist Speicher viel billiger geworden.  Es gibt daher einige neue
Optimierungstechniken, die in Bentley's Buch nicht erwähnt sind.

Umgekehrt sind manche Optimierungen, die früher sinnvoll waren, heute
nicht mehr sinnvoll, weil der Flaschenhals woanders liegt: Z.B. wurde
in der Software-Implementierung von X-Grafikoperationen früher
komplexe Optimierungen angewandt, um die zahl der ausgeführten Befehle
zu vermindern.  Bei der Neu-Implementierung vor ein paar Jahren wurde
dagegen relativ einfacher Code geschrieben, weil der Flaschenhals auf
heutigen Maschinen beim Speichersubsystem liegt, sodass ein
Wegoptimieren von Befehlen nur zur Folge hätte, dass die CPU mehr Zeit
mit Warten auf den Speicher verbringt.


Algorithmen und Datenstrukturen
-------------------------------

Conventional Wisdom (aber trotzdem wahr): Wenn im kritischen Bereich
der falsche Algorithmus bzw. die falsche Datenstruktur gewählt wird,
sind Gedanken zur effizienten Implementierung dieser Wahl
verschwendete Zeit (ausser vielleicht, um zu zeigen, dass es
tatsächlich die falsche Wahl war und nicht nur eine ineffiziente
Implementierung einer guten Wahl).

Das verleitet leider manche Leute zur Behauptung, dass man sich nur um
den Algorithmus kümmern muss.  Aber wenn man eine gute Wahl getroffen
hat, dann kann die effiziente Implementierung noch einiges bringen.

Wie erkennt man eine gute Wahl?  Letztendlich an der Effizienz,
zusammen mit anderen Zielkriterien (Einfachheit).

Als Hilfestellung gibt es die algorithmische Komplexität
(O(...)-Notation).  Dabei gibt es aber einige Fallen, die in die Irre
führen können:

- Algorithmische Komplexität betrachtet meist den
schlechtest-möglichen Fall, nicht den durchschnittlichen Fall (der
auch oft schwer bis gar nicht zu charakterisieren ist).

- Algorithmische Komplexität beruht meist auf dem (abstrakten) Zählen
von bestimmten Operationen, die aber nicht (mehr) unbedingt eine große
Rolle für die Laufzeit spielen (im Vergleich z.B. zu Cache Misses).

- Algorithmische Komplexität ignoriert konstante Faktoren.  Konstante
Faktoren spielen oft eine größere Rolle als logarithmische Faktoren
u.ä.

Beispiel: Peter Fenwick, "Some Perils of Performance Prediction: a
case study on Pattern Matching", Software - Practice and Experience,
Vol 31, pp 835-843 April 2001.

Suchen nach einem String in einem längeren Text: Simple Methode hat
worst-case-Komplexität von O(m*n), Knuth-Morris-Pratt O(n).  Trotzdem
schlägt dis simple Methode KMP in der Realität, u.a., weil der
average-case der simplen Methode näher bei O(n) liegt als bei O(m*n),
und weil die simple Methode einen besseren Konstanten Faktor hat.


Die Rolle der Programmiersprache
--------------------------------

Eingebaute Ineffizienz

Idiomatische Ineffizienz

Effizienz durch Compiler

Effizienz durch Programmiereffizienz (mehr Zeit zum Tuning,
flexibleres Programm).

Beispiele:

Aliasing in C vs. Fortran (in Fortran sind verschiedene
Funktionsargumente keine Aliase des gleichen Datums).

Verschachtelte Objekte in Java vs. C++ (Indirektion in Java).

Skalieren bei Zeigerarithmetik in C vs. Forth (C skaliert per default).

0-terminierte Strings in C.

``C++ ist langsam''.

Bei Mikrobenchmarks führen C- und Fortran-Compiler, bei
Programmierwettbewerben (z.B. Functional Programming Contest; die
Programmiersprache ist dabei nicht eingeschränkt ist) dagegen nicht.

Flughafen von Riad: Mit Fortran und Assembler zu langsam, mit Forth
(implementiert per Interpreter) und Assembler schnell genug.

In manchen Fällen kann Assembler noch viel bringen, aber:
Spezialwissen erforderlich, oft Prozessorabhängig (z.B.: LODSD auf 386
vs 486).


Transformationen

Testfaelle

Programmplatz-Optimierung

Optimierungen
  von Bentley
  neu (fuer aktuelle Hardware)

Dieses Jahr gibt es nur die Folien mit
den Optimierungstransformationen.


Programmbeispiele
-----------------

1) Matrizenmultiplikation.  Demonstriert vor
allem Optimierungen auf das Speichersystem (Caches) hin.

2) Ein einfacher suboptimaler Algorithmus für das
Traveling-Salesman-Problem: tsp1.c

Dieser Algorithmus liefert Ergebnisse mit Weglängen, die um ca. 25%
über dem Optimum liegen.  Dafür braucht er nur quadratische Zeit,
währned ein optimaler Algorithmus exponentiell viel Zeit braucht (TSP
ist NP-vollständig).

Übung: Überlegen Sie sich Optimierungsmöglichkeiten in diesem Programm
und wieviel sie bringen können.


Messwerkzeuge
-------------

Auf Linux-Intel (g0):

#gprof (function-level profiling):
gcc -pg -O ts.c -lm
a.out 5000 >/dev/null
gprof a.out

#coverage profiling ergibt Ausfuehrungszahlen fuer Zeilen
gcc -O --coverage -lm ts.c
a.out 5000 >/dev/null
gcov ts
cat ts.c.gcov

#cycle count timing:
perf stat -e cycles a.out 1000 #doku: "man perf-stat"

#performance counters
perf stat -e instructions -e branch-misses a.out 1000

#was fuer Performance Counters gibt es:
perf list

Man kann bei perf auch nur die User-Mode-Werte messen, die weniger
variieren als die Gesamtwerte, und die für unsere Zwecke oft
relevanter sind (wenn wir Dinge ändern, die nur den user mode
beeinflussen sollten; allerdings sieht man dann auch Kernel-Aufwand
nicht, der vom User-Mode indirekt verursacht wird, wie
z.B. copy-on-write-Operationen des Systems aufgrund von Schreiben in
eine bis dahin nur gelesene Seite):

perf stat -e instructions:u -e branch-misses:u a.out 1000



Mit perf kann man auch sehen, welche Befehle besonders viele Zyklen
(oder sonstige Events) brauchen:

perf record -e cycles:u a.out 10000 >/dev/null
#schreibt in eine Datei perf.data, Anzeige mit folgenden Befehlen 
perf annotate  #Assemblercode mit Event-Anteilen
perf report    #Profil

Wobei die Zuordnung der Events zu den Befehlen nicht sehr genau ist,
und man dann raten muss, welcher Befehl in der Naehe den Event
tatsaechlich verursacht hat.



Beispiel für Optimierung
------------------------

Angelehnt an Kapitel 2 von [Bentley82].  Der Algorithmus und die Idee
der Optimierungen sind gleich, aber die Details sind oft
unterschiedlich.

Das erste Programm ist unser usprüngliches Übungsbeispiel tsp1.c.

Wir messen die Effektivität der Optimierungen mit:

papiex -q -e PAPI_TOT_INS -e PAPI_BR_MSP a.out 1000 >/dev/null

(also bei Läufen mit 1000 Städten), wobei das Hauptaugenmerk auf die
Zyklen (tsc) gerichtet ist.

Ob wir bei der Optimierung einen Fehler eingebaut haben, überprüfen
wir mit

diff tsp.eps tsp_ref.eps

nach einem Lauf ueber 1000 Städte.  Alles zusammen:

a.out 1000 >/dev/null && diff tsp.eps tsp_ref.eps && papiex -q -e PAPI_TOT_INS -e PAPI_BR_MSP a.out 1000 >/dev/null

Wir fangen an mit gcc -O: 57.5M Zyklen.

1. Schritt: Bessere Optimierung: gcc -O3: 49.5M Zyklen.

2. Schritt: Common Subexpression Elimination von dist(cities, ThisPt, j),
sodass dieser Ausdruch nur einmal verwendet wird.
Ergebnis: tsp2.c, 49.0M Zyklen.

Der Geschwindigkeitsvorteil durch diese Optimierung ist gering, weil
der zweite Aufruf von dist in einem if ist, das im Durchschnitt
H(n)=1+1/2+1/3+..., also ca. ln(n) mal erfolgreich ist.

3. Schritt: Eliminieren von sqrt() im Aufruf von dist() in tsp().  Da
sqrt() fuer positive Argumente monoton ist, nur postive Argumente
vorkommen, und wir das Ergebnis nur fuer einen Größenvergleich
verwenden, kann man sqrt bei diesem Aufruf weglassen.

Wir machen das, indem wir eine Kopie von dist() namens DistSqrd()
erzeugen; diese Kopie rufen wir von tsp() aus auf.  Die
Originalversion von dist bleibt erhalten und kann von woanders
aufgerufen werden (und wird auch von main() aufgerufen), ohne dass wir
überprüfen müssen, ob wir dort auch sqrt() weglassen dürfen (wir
dürfen nicht).

Ergebnis: tsp3.c, 20.9M Zyklen.

4. Schritt: Eliminieren von visited[].  Statt per visited[] zu
überprüfen, ob wir eine Stadt schon besucht haben, verwenden wir
tour[], um nur über die Städte zu iterieren, die noch nicht dran waren
(z.B. im letzten Aufruf der inneren Schleife nur mehr eine Stadt statt
n, im Durchschnitt spart man die Hälfte der Iterationen der inneren
Schleife.  Das erfordert allerdings größere Änderungen am Programm
(siehe "diff tsp3.c tsp4.c").

Ergebnis: tsp4.c, 13.9M Zyklen.

Ca. die Hälfte dieses Speedups beruht auf besserer Sprungvorhersage
(die "if (!visited[j])" sind nicht besonders gut vorhersagbar).

5. Schritt: Inlining von DistSqrd().

Ergebnis: tsp5.c, 13.9M Zyklen.

6. Schritt: Y-Distanz später berechnen.  Die Distanz zwischen zwei
Punkten auf der X-Achse ist sicher kleiner als die Gesamtdistanz; Wenn
die X-Distanz zwischen der aktuellen Stadt und einer anderen Stadt
größer ist als die bisher kürzeste Gesamtdistanz, und man braucht die
andere Stadt nicht weiter betrachten.  Nur in den Fällen, in denen die
X-Distanz kleiner ist (und das sind bei grossem n nicht so viele) muss
man auch noch die Y-Distanz berechnen, um die Gesamtdistanz zu
erhalten und vergleichen zu können.

Ergebnis: tsp6.c, 14.1M Zyklen.

(Der 7. Schritt bei Bentley ist die Verwendung von ganzen Zahlen statt
Gleitkommazahlen; diesen Schritt lassen wir hier aus, weil er die
Resultate ändert.  Ausserdem ist bei dieser Berechnung (mit einem
nicht unbeträchtlichen Anteil von Multiplikationen) auf modernen
Maschinen nicht unbedingt eine Verbesserung zu erwarten.)

8. Schritt: Direkte Umordnung der Städte.  Statt über ein Index-Array
tour[] zu indizieren, wird tour[] zu einem Array von Städten, die
direkt umgeordnet werden.  Erspart indirekte Zugriffe über das
Index-Array, dafür wird das Umordnen teurer (kommt aber nur in der
äußeren Schleife vor).  Hauptnachteil hier ist, dass sich das
Interface von tsp() ändert, sodass alle Aufrufer geändert werden
müssen (könnte man umgehen, indem man das Index-array noch zusätzlich
mitführt).

Ergebnis: tsp8.c, 13.2M Zyklen.

9. Schritt: Sentinel.  Die innere Schleife kann als Suchschleife
aufgefasst werden, die nach einer Stadt sucht, die näher ist als die
bisher gefundene.  Daher kann man die Sentinel-Technik anwenden, indem
man die aktuelle Stadt (die sich selbst natürlich mindestens so nahe
ist wie alle anderen) als Sentinel benutzt, um die Schleife
abzubrechen; dadurch erspart man sich die Abfrage im for-Teil der
inneren Schleife.  Da allerdings nicht bei der ersten näheren Stadt
abgebrochen wird wie bei anderen Suchschleifen, muß man eine Abfrage
nach dem Abbruch im inneren if-Statement einfügen, diese Abfrage kommt
aber wesentlich seltener vor (H(n) mal) als die Abfrage im for-Teil.

Ergebnis: tsp9.c, 13.4M Zyklen.

Die Ursache dieser Verlangsamung habe ich noch nicht näher untersucht.


Zusammenfassung und Vergleich mit Ergebnissen aus [Bentley82]:

Ergebnisse normalisiert auf die Version aus dem 6. Schritt:

Celeron  PDP-KL10  HP1000  # nach Optimierung
C        Pascal    C
4.01     5.73      4.39    1 -O (bei gcc)
2.87     -         -       1 -O3 (bei gcc)
2.84     5.56      4.27    2 Common Subexpression Elimination
1.35     2.95      2.78    3 Eliminieren von sqrt()
1.05     2.59      2.63    4 Eliminieren von visited[]
1.01     1.71      1.72    5 Inlining von DistSqrd()
1        1         1       6 Y-Distanz später berechnen
-        0.91      0.86    7 Integers statt Floats
0.94     0.84      0.84    8 Direkte Umordnung statt Index-Array
0.98     0.83      -       9 Sentinel