返回信息流vector<complex<double>> // 定义复数型vector作为矩阵容器
// 函数1，执行double型乘以复数矩阵
vector <complex<double>> CMatrixMulDouble(double dA, vector<complex<double>> &vB)
{
vector<complex<double>> vC;
complex<double> cdTemp;
for(vector<complex<double>>::size_type i=0; i<vB.size(); i++)
{
cdTemp = dA*vB[i];
vC.push_back(cdTemp);
}
return vC;
}
// 函数2，执行两矩阵相乘(只取对角线元素)
vector <complex<double>> CMatrixDiagMul(vector<complex<double>> &vCA, vector<complex<double>> &vCB, int m, int n, int k)
{
// 参数检查
if (m != k)
{
cout<<"m不等于k，矩阵计算结果不是方阵，不能取对角线元素"<<endl;
}
vector<complex<double>> vCC;
vCC.assign(m*m,complex<double>(0,0)); // 定义全零元素的复数方阵
for (int N=0; N<m; N++)
{
complex<double> ctemp;
for (int M=0; M<n; M++)
{
ctemp += vCA[M*m+N] * vCB[M+N*n];
}
vCC.at(N*m+N) = ctemp; // 对角线元素赋值
}
return vCC;
}
// 主函数如下：
void main()
{
vector<complex<double>> vca,vcb;
complex<double> cinitial(2,3);
complex<double> cinitial2(1,1);
vcb.assign(12,complex<double>());
for (int nNum=0; nNum<12; nNum++) // 初始化两个vector
{
vca.push_back(cinitial);
vcb.at(nNum) = (cinitial);
cinitial += cinitial2;
}
// 执行1000次，分别看其时间
long LTime1 = GetTickCount();
for (int n =0; n<1000; n++)
{
CMatrixMulDouble(0.06592314, vca);
}
long LTime2 = GetTickCount();
cout<< LTime2-LTime1<<endl;
for (int n=0; n<1000; n++)
{
CMatrixDiagMul(vca, vcb, 4, 3, 4);
}
long LTime2 = GetTickCount();
cout<< LTime2-LTime1<<endl;
retutn;
}
问题描述：
函数1循环体内部执行12次 复数乘以double型操作
函数2循环体内部执行16次循环，执行复数乘以复数操作
理论上第二个函数比第一个函数慢，可是结果是函数2的执行时间只有函数1的一半都不到。这是为什么？请大家指教。因为工程中要调用大量的函数，所以不得不挨个函数优化...麻烦大家了。
这是一条镜像帖。来源：北邮人论坛 / cpp / #42617同步于 2010/8/23
该镜像源已超过 30 天没有更新，可能在源站已被删除。
CPP机器人发帖
请教大家，关于代码执行效率的问题
SunShow
2010/8/23镜像同步8 回复
订阅后，新回复会通过你的通知中心匿名送达。
8 条回复
在main中調用100000次function
可以看到
func1的hot-spot是14、15行的1200000次乘法與push_back
func2的hot-spot是35行的1200000次乘法
push_back是很耗時間的～～～
----------------------------------------------
-: 0:Source:a.cpp
-: 0:Graph:a.gcno
-: 0:Data:a.gcda
-: 0:Runs:1
-: 0:Programs:1
-: 1:#include <vector>
-: 2:#include <complex>
-: 3:#include <iostream>
-: 4:
-: 5:using namespace std;
-: 6://vector<complex<double>> // 定义复数型vector作为矩阵容器
-: 7:// 函数1，执行double型乘以复数矩阵
100000: 8:vector <complex<double> > CMatrixMulDouble(double dA, vector<complex<double> > &vB)
-: 9:{
100000: 10: vector<complex<double> > vC;
100000: 11: complex<double> cdTemp;
1300000: 12: for(vector<complex<double> >::size_type i=0; i<vB.size(); i++)
-: 13: {
1200000: 14: cdTemp = dA*vB[i];
1200000: 15: vC.push_back(cdTemp);
-: 16: }
#####: 17: return vC;
-: 18:}
-: 19:// 函数2，执行两矩阵相乘(只取对角线元素)
100000: 20:vector <complex<double> > CMatrixDiagMul(vector<complex<double> > &vCA, vector<complex<double> > &vCB, int m, int n, int k)
-: 21:{
-: 22: // 参数检查
100000: 23: if (m != k)
-: 24: {
#####: 25: cout<<"m不等于k，矩阵计算结果不是方阵，不能取对角线元素"<<endl;
-: 26: }
-: 27:
100000: 28: vector<complex<double> > vCC;
100000: 29: vCC.assign(m*m,complex<double>(0,0)); // 定义全零元素的复数方阵
500000: 30: for (int N=0; N<m; N++)
-: 31: {
400000: 32: complex<double> ctemp;
1600000: 33: for (int M=0; M<n; M++)
-: 34: {
1200000: 35: ctemp += vCA[M*m+N] * vCB[M+N*n];
-: 36: }
400000: 37: vCC.at(N*m+N) = ctemp; // 对角线元素赋值
-: 38: }
#####: 39: return vCC;
-: 40:}
-: 41:
-: 42:// 主函数如下：
1: 43:int main()
-: 44:{
1: 45: vector<complex<double> > vca,vcb;
1: 46: complex<double> cinitial(2,3);
1: 47: complex<double> cinitial2(1,1);
1: 48: vcb.assign(12,complex<double>());
13: 49: for (int nNum=0; nNum<12; nNum++) // 初始化两个vector
-: 50: {
12: 51: vca.push_back(cinitial);
12: 52: vcb.at(nNum) = (cinitial);
12: 53: cinitial += cinitial2;
-: 54: }
-: 55: // 执行1000次，分别看其时间
-: 56:// long LTime1 = GetTickCount();
100001: 57: for (int n =0; n<100000; n++)
-: 58: {
100000: 59: CMatrixMulDouble(0.06592314, vca);
-: 60: }
-: 61:// long LTime2 = GetTickCount();
-: 62:// cout<< LTime2-LTime1<<endl;
-: 63:
100001: 64: for (int n=0; n<100000; n++)
-: 65: {
100000: 66: CMatrixDiagMul(vca, vcb, 4, 3, 4);
-: 67: }
-: 68:// long LTime2 = GetTickCount();
-: 69:// cout<< LTime2-LTime1<<endl;
-: 70:
1: 71: return 0;
2: 72:}
1: 73:/*EOF*/
granularity: each sample hit covers 2 byte(s) for 1.04% of 0.96 seconds
index % time self children called name
<spontaneous>
[1] 100.0 0.02 0.94 main [1]
0.05 0.50 100000/100000 CMatrixMulDouble(double, std::vector<std::complex<double>, std::allocator<std::complex<double> > >&) [2]
0.03 0.28 100000/100000 CMatrixDiagMul(std::vector<std::complex<double>, std::allocator<std::complex<double> > >&, std::vector<std::complex<double>, std::allocator<std::complex<double> > >&, int, int, int) [5]
整個程序運行0.96s
0.94是由main的children貢獻的
其中CMatrixMulDouble貢獻了0.05+0.50
CMatrixDiagMul貢獻了0.03+0.28
[2] 56.9 0.05 0.50 100000 CMatrixMulDouble(double, std::vector<std::complex<double>, std::allocator<std::complex<double> > >&) [2]
0.01 0.36 1200000/1200012 std::vector<std::complex<double>, std::allocator<std::complex<double> > >::push_back(std::complex<double> const&) [3]
CMatrixMulDouble用時0.05+0.50
其中0.01+0.36的時間都是push_back貢獻的
所以問題的根源就在push_back
嗯，谢谢。原来push_back这么耗时呀
【 在 ericyosho 的大作中提到: 】
: 前面那个函数，没循环一次，都要进行函数的调用。
: vB.size()还有push_back
: 后面那个函数，没有函数调用，一开始都把空间分配好了。
: ...................
谢谢你如此详细的分析。我也发现是push_back的问题了。
麻烦问一下，怎么看出来这些耗时呢？以前从没见过这种分析方式
【 在 guo 的大作中提到: 】
: granularity: each sample hit covers 2 byte(s) for 1.04% of 0.96 seconds
: index % time self children called name
: <spontaneous>
: ...................
额，我查了一下，貌似是Linux 下的 Gnu gprof吧。看来Linux 还真有不错的工具呀...
【 在 guo 的大作中提到: 】
: granularity: each sample hit covers 2 byte(s) for 1.04% of 0.96 seconds
: index % time self children called name
: <spontaneous>
: ...................
這話說的
Linux當然有很多很好的工具～～
【 在 SunShow 的大作中提到: 】
: 额，我查了一下，貌似是Linux 下的 Gnu gprof吧。看来Linux 还真有不错的工具呀...