编译优化序列选择研究进展

• 全文链接
• 请求原文

作   者：

高国军;  任志磊;  张静宣;  李晓晨;  江贺; 

作者机构：

南京航空航天大学计算机与科学技术学院;  大连理工大学软件学院; 

关键词：

编译器;  启发式搜索;  机器学习;  编译优化序列; 

期刊名称：

中国科学:信息科学

基金项目：

智能软件工程
基于多目标实例演化的问题结构分析及其应用
基于编程现场大数据的软件智能开发方法和环境

i s s n：

1674-7267

年卷期：

2019 年 10 期

页   码：

1267-1282

摘   要：

在过去的几十年里,编译器开发者针对各种复杂情况下的编译优化需求,设计实现了大量的编译优化选项.在实际开发中,由编译器提供的标准编译优化序列难以适应复杂场景下待编译程序的编译要求.一方面,待编译程序有不同的语义和编译目标,直接采用标准编译优化序列难以获得理想的优化效果,若采用不适当的优化序列甚至可能对程序性能等带来负面影响.另一方面,随着硬件体系结构的不断发展,编译环境日益复杂,编译优化序列亦应进行相应调整.因此,如何在错综复杂的优化选项中为待编译程序选择最佳的编译优化序列成为一个具有挑战性的科学问题.针对上述问题,研究人员展开了大量的研究,并取得了诸多成果.本文旨在归纳编译优化序列选择领域的研究文献,通过文献搜索,筛选获得符合条件的55篇论文,从多个视角(算法、研究类型、目标编译器、基准测试集等)揭示该领域的研究现状.通过文献分析可以发现,当前该领域的主流算法包括两类,即以遗传算法为代表的启发式搜索算法和以支持向量机为代表的机器学习算法.超过80%的文献的研究类型属于提出解决方案或者实证研究.在已有的研究中,实验验证时使用频次最多的编译器和基准测试集分别是GCC和miBench.本文有助于理解编译优化序列选择领域当前基本进展和发展趋势,同时为开展该领域研究工作提供了可能的方向.