我已经花了一个星期的时间来尝试完成这项任务，我希望这里的人可以带领我走上正确的道路。让我从讲师的指示开始：
您的分配与我们的第一个实验分配相反，后者是优化素数程序。您在此作业中的目的是简化程序，即使其运行缓慢。这两个都是占用大量CPU的程序。他们需要几秒钟才能在我们的实验室PC上运行。您可能无法更改算法。
要优化程序，请使用有关Intel i7管道运行方式的知识。想像一下重新排序指令路径以引入WAR，RAW和其他危险的方法。想办法最大限度地减少缓存的有效性。令人作呕的无能。
作业中选择了磨刀石或蒙特卡洛程序。缓存效率注释大部分仅适用于Whetstone，但我选择了蒙特卡洛模拟程序：
// Un-modified baseline for pessimization, as given in the assignment
#include <algorithm> // Needed for the "max" function
#include <cmath>
#include <iostream>
// A simple implementation of the Box-Muller algorithm, used to generate
// gaussian random numbers - necessary for the Monte Carlo method below
// Note that C++11 actually provides std::normal_distribution<> in
// the <random> library, which can be used instead of this function
double gaussian_box_muller() {
double x = 0.0;
double y = 0.0;
double euclid_sq = 0.0;
// Continue generating two uniform random variables
// until the square of their "euclidean distance"
// is less than unity
do {
x = 2.0 * rand() / static_cast<double>(RAND_MAX)-1;
y = 2.0 * rand() / static_cast<double>(RAND_MAX)-1;
euclid_sq = x*x + y*y;
} while (euclid_sq >= 1.0);
return x*sqrt(-2*log(euclid_sq)/euclid_sq);
}
// Pricing a European vanilla call option with a Monte Carlo method
double monte_carlo_call_price(const int& num_sims, const double& S, const double& K, const double& r, const double& v, const double& T) {
double S_adjust = S * exp(T*(r-0.5*v*v));
double S_cur = 0.0;
double payoff_sum = 0.0;
for (int i=0; i<num_sims; i++) {
double gauss_bm = gaussian_box_muller();
S_cur = S_adjust * exp(sqrt(v*v*T)*gauss_bm);
payoff_sum += std::max(S_cur - K, 0.0);
}
return (payoff_sum / static_cast<double>(num_sims)) * exp(-r*T);
}
// Pricing a European vanilla put option with a Monte Carlo method
double monte_carlo_put_price(const int& num_sims, const double& S, const double& K, const double& r, const double& v, const double& T) {
double S_adjust = S * exp(T*(r-0.5*v*v));
double S_cur = 0.0;
double payoff_sum = 0.0;
for (int i=0; i<num_sims; i++) {
double gauss_bm = gaussian_box_muller();
S_cur = S_adjust * exp(sqrt(v*v*T)*gauss_bm);
payoff_sum += std::max(K - S_cur, 0.0);
}
return (payoff_sum / static_cast<double>(num_sims)) * exp(-r*T);
}
int main(int argc, char **argv) {
// First we create the parameter list
int num_sims = 10000000; // Number of simulated asset paths
double S = 100.0; // Option price
double K = 100.0; // Strike price
double r = 0.05; // Risk-free rate (5%)
double v = 0.2; // Volatility of the underlying (20%)
double T = 1.0; // One year until expiry
// Then we calculate the call/put values via Monte Carlo
double call = monte_carlo_call_price(num_sims, S, K, r, v, T);
double put = monte_carlo_put_price(num_sims, S, K, r, v, T);
// Finally we output the parameters and prices
std::cout << "Number of Paths: " << num_sims << std::endl;
std::cout << "Underlying: " << S << std::endl;
std::cout << "Strike: " << K << std::endl;
std::cout << "Risk-Free Rate: " << r << std::endl;
std::cout << "Volatility: " << v << std::endl;
std::cout << "Maturity: " << T << std::endl;
std::cout << "Call Price: " << call << std::endl;
std::cout << "Put Price: " << put << std::endl;
return 0;
}我所做的更改似乎将代码运行时间增加了一秒钟，但是我不完全确定我可以更改哪些内容以停止管道而不添加代码。指向正确方向的指示非常棒，我感谢您的任何答复。
更新：进行此作业的教授发布了一些详细信息
重点是：
- 这是社区学院的第二学期建筑课程（使用轩尼诗和帕特森教材）。
- 实验室计算机具有Haswell CPU
- 学生们已经了解了该
CPUID指令以及如何确定高速缓存大小，内在函数和CLFLUSH指令。 - 允许使用任何编译器选项，内联汇编语言也是如此。
- 宣布编写自己的平方根算法超出了预期
Cowmoogun在meta线程上的评论表明，尚不清楚编译器优化是否可能是其中的一部分，并且假定-O0，并且运行时增加17％是合理的。
听起来这似乎是作业的目标，是让学生重新排序现有的工作，以减少指令级的并行性或类似的事情，但是，人们更深入地学习并学到更多的知识并不是一件坏事。
请记住，这是一个计算机体系结构问题，而不是有关一般如何使C ++变慢的问题。
HN atm上的第2名：news.ycombinator.com/item?id=11749756
—
mlvljr
使用OpenMP，如果你做不好，你应该能够使N个线程需要更长的时间比1
—
柔印
@bluefeet：我补充说，因为它在重新开放后不到一个小时的时间内就吸引了一个封闭投票。只需5个人即可参加VTC，而无需了解阅读评论就可以看到正在讨论meta。现在还有另外一次近距离投票。我认为至少一个句子将有助于避免关闭/重新打开周期。
—
彼得·科德斯
while(true){}