C++函数性能调优是提升程序运行效率的核心环节，当程序出现运行缓慢、资源占用过高的问题时，往往需要先定位到具体性能瓶颈函数，再针对性优化。调优过程通常分为瓶颈定位和优化实施两个阶段，不同阶段需要用到不同的工具和技巧。
常用性能分析工具
gprof
gprof是GNU工具链自带的性能分析工具，使用简单，适合初步定位函数性能问题。使用时需要在编译阶段添加-pg参数，程序运行后会生成gmon.out文件，再通过gprof命令分析该文件得到函数调用次数、执行时间等信息。
编译示例：
// 编译命令，添加-pg参数开启gprof支持 g++ -pg -o test test.cpp
运行程序后执行分析命令：
gprof ./test gmon.out > analysis.txt
分析结果中会列出每个函数的执行时间占比、调用次数，方便快速找到耗时最高的函数。
perf
perf是Linux系统下的性能分析利器，不需要修改编译参数，支持采样分析，能获取更细粒度的性能数据，比如缓存命中率、指令执行周期等。常用命令perf record采样，perf report查看结果。
基础使用示例：
// 采样程序运行过程，默认采样所有事件 perf record ./test // 查看采样结果，按函数排序展示耗时 perf report
valgrind的callgrind工具
callgrind是valgrind套件中的函数调用分析工具，能精确统计每个函数的调用关系、执行次数和耗时，配合kcachegrind可视化工具可以直观看到函数调用树和性能占比。
使用示例：
// 运行callgrind分析程序 valgrind --tool=callgrind ./test // 生成的结果文件可以用kcachegrind打开查看
实用调优技巧
减少不必要的拷贝
函数传参时，对于大对象尽量使用引用传递，避免值传递带来的拷贝开销；返回值如果是大对象，可以考虑移动语义或者返回引用（注意生命周期问题）。
优化前代码：
#include <vector>
#include <iostream>
// 值传递，大vector会发生拷贝
void process_data(std::vector<int> data) {
// 处理逻辑
for (auto& num : data) {
num *= 2;
}
}
int main() {
std::vector<int> nums(1000000, 1);
process_data(nums); // 此处会发生vector拷贝，开销较大
return 0;
}
优化后代码：
#include <vector>
#include <iostream>
// 使用const引用传递，避免拷贝
void process_data(const std::vector<int>& data) {
// 如果需要修改，可拷贝后处理，或者传递非const引用
std::vector<int> temp = data;
for (auto& num : temp) {
num *= 2;
}
}
// 返回大对象时使用移动语义
std::vector<int> get_data() {
std::vector<int> res(1000000, 1);
return res; // 编译器会优化为移动构造，避免拷贝
}
int main() {
std::vector<int> nums(1000000, 1);
process_data(nums);
std::vector<int> new_nums = get_data();
return 0;
}
优化循环逻辑
循环中尽量将不变的计算提到循环外部，减少重复计算；避免在循环内部做动态内存分配，尽量提前分配好空间；对于嵌套循环，将执行次数多的循环放在内层，减少外层循环的判断开销。
优化前代码：
#include <vector>
#include <cmath>
void calc_loop() {
std::vector<double> arr(10000, 1.0);
int size = arr.size();
for (int i = 0; i < size; ++i) {
// sqrt计算每次循环都执行，实际可以提前计算
arr[i] = arr[i] * sqrt(2.0) + 100;
}
}
优化后代码：
#include <vector>
#include <cmath>
void calc_loop() {
std::vector<double> arr(10000, 1.0);
int size = arr.size();
// 将不变的计算提到循环外
const double sqrt_val = sqrt(2.0);
const double base = 100;
for (int i = 0; i < size; ++i) {
arr[i] = arr[i] * sqrt_val + base;
}
}
合理使用内联函数
对于频繁调用的小函数，可以加上inline关键字建议编译器将其内联展开，减少函数调用的栈开销。但需要注意，内联只是建议，编译器会根据函数复杂度自行决定是否内联，且内联函数不适合放在头文件中定义过长的逻辑，否则会增加编译后的代码体积。
// 简单的小函数适合内联
inline int add(int a, int b) {
return a + b;
}
// 频繁调用的场景下，内联可以减少调用开销
int main() {
int sum = 0;
for (int i = 0; i < 1000000; ++i) {
sum = add(sum, i);
}
return 0;
}
缓存友好性优化
CPU访问内存时会有缓存机制，尽量让数据访问是连续的，避免跳跃访问。比如遍历二维数组时，按行遍历比按列遍历更符合缓存机制，因为数组在内存中是按行连续存储的。
#include <vector>
// 按行遍历，缓存友好
void row_traverse(const std::vector<std::vector<int>>& matrix) {
int rows = matrix.size();
int cols = matrix[0].size();
int sum = 0;
for (int i = 0; i < rows; ++i) {
for (int j = 0; j < cols; ++j) {
sum += matrix[i][j];
}
}
}
// 按列遍历，缓存命中率低，性能较差
void col_traverse(const std::vector<std::vector<int>>& matrix) {
int rows = matrix.size();
int cols = matrix[0].size();
int sum = 0;
for (int j = 0; j < cols; ++j) {
for (int i = 0; i < rows; ++i) {
sum += matrix[i][j];
}
}
}
调优注意事项
性能调优不要过早进行，首先要保证代码的正确性和可读性，当程序出现性能问题或者性能达不到需求时再进行调优。调优前一定要先用工具定位瓶颈，不要凭感觉优化，很多时候开发者认为的瓶颈函数实际并不是耗时最多的部分，盲目优化反而会浪费时间甚至引入bug。
优化后要进行对比测试，验证优化是否真的提升了性能，避免因为编译器优化或者其他因素导致优化没有效果。同时要注意权衡，有些优化会增加代码复杂度，如果提升的性能微乎其微，就没有必要为了极致的性能牺牲代码的可维护性。