Prawda że robi wrażenie? Spora oszczędność, no nie ? Widać ją wprawdzie dopiero gdy program wykonuje się w sporej pętli. Gdy wykonujemy jedną taką instrukcję, wyniki są identyczne niezależnie od użytych opcji i zawsze w moim przypadku wyniosły 4 microsec.

Procesor Pentium posiada dwie "pipelines" ( łańcuchy? kolejki? ) instrukcji operujących an liczbach całkowitych, tzw. U-potok i V-potok. W dalszej części tekstu pisząc "potok" będę miał na myśli "pipeline". W każdym cyklu procesor sprawdza, czy może wykonać równocześnie dwie instrukcje, i jeśli tak, to jedną z nich kieruje do U-potoku, a drugą do V-potoku. Nie każda instrukcja może być wykonana w V-potoku, i nie każde dwie instrukcje mogą być wykonane równocześnie. Jeśli zachodzi taka sytuacja, procesor wykonuje tylko jedną instrukcję w U-potoku.
Oba potoki składają się z 5 faz : Prefetch (pobranie) (PF) Decode Stage 1 (dekodowanie) (D1) Decode Stage 2 (dekodowanie) (D2) Execute (wykonywanie) (E) i Writeback (zapisywanie efektów instrukcji) (WB).
W fazie PF, jeżeli napotkana zostanie instrukcja rozgałęzienia (skoku warunkowego np.) (ang. branch), to uruchamia się mechanizm przewidywania. Jeżeli mechanizm ten zawurokuje, że prawdopodobnie rozgałęzienie nie będzie brane pod uwagę, instruktor pobiera następną instrukcję, jeżeli zawyrokuje, że gałąź (skok będzie wykonany) będzie brana pod uwagę, pobierana jest instrukcja z tej gałęzi. W razie pomyłki instrukcję wycofuje się, powoduje to opóźnienie wykonania o : 3 cykle, jeśli instrukcja była wykonywana w U-potoku, 4, jeśli wykonywana była w V-potoku, 3, jeśli było to wywołanie podprogramu bądź skok bezwarunkowy.
Dodatkowo Pentium posiada potok zmiennoprzecinkowy. Potok ten jest 3-poziomowy. najpierw wykonywana jest instrukcja w Potoku całkowitym, jeśli jest to instrukcja zmiennoprzecinkowa kieorwana jest do potoku zmiennoprzecinkowego. Jeśli ta instrukcja jest długa, to w czasie jej trwania może się wykonać instrukcja całkowitoliczbowa. Identycznie, Pentium MMX posiada dodatkowy potok MMX-owy.
Bla, Bla. Co z tego wynika?
Po pierwsze, unikaj rozgałęzień w programie. Staraj się zastępowąć je instrukcjami np SETcc bądź CMOVcc. Algorytm przewidywania skoków działa wspaniale wtedy, gdy w 90% przypadków skok następuje w jedno miejsce, gdy skoki następują w kilka różnych miejsc (jak na przykład dla instrukcji typu switch.. case) wydajność spada dramatycznie. Dodatkowo intel na kilkudziesięciu stronach tłumaczy na czym polega algorytm przewidywania skoków ale moja angielszczyzna jest zbyt kiepska bym ryzykował tłumaczenie.
Po drugie, jeśli np. zapisujesz coś do AX i zaraz potem odczytujesz EAX (zawsze jeśli coś zapisujesz od mniejszej części rejestru i zaraz potem go odczytujesz) to pojawiają sięopóźnienia w programie (podobno min. 7 cykli). Nawet, jeśli instrukcje odczytujące cały rejestr i jego mniejsze części nie występują natychmiast po sobie, z powodu "out-of-order-execution", czyli możliwością wykonywania instrukcji poza kolejnością, opóźnienia mogą się również pojawić. W pentium Pro i Pentium II istnieje kilka przypadków, w których równocześnie można się odwoływać do mniejszych części rejestru i całego rejestru. Mianowicie, jeśli najpierw za pomocą xor lub sub wyzerujemy rejestr, możemy do niego zapisywać i zaraz potem odczytywać. Przykład: movb %al, $4
add %%eax,$24 //kara!

xor %eax,%eax
movb %al, $4
add %%eax, $24 //nie ma kary

xor %ah,%ah
movb %al, $4
add %%ax, $24 //nie ma kary

sub %eax,%eax
movb %al, $4
add %%eax, $24 //nie ma kary


Warto więc zawsze zerować rejestr jeśli najpierw zapisujemy do mniejszej części a potem operujemy na większej.
Powinieneś starannie przemyśleć pętle. Np. dwie pętle operujące na tych samych danych powinieneś poląćżyć w jedną. for(.....) { a(i)= } for(...) { a(i)=.. } => for(..) {a(i)=.. a(i)=...}
I na odwrót, jęsli to możliwe, rozdzielaj pętle w których operujesz na różnych danych, by nie opróżniać cache'u. for(..) { A(i)=.. b(i)=..} // za każdym razem co innego w cache'u => for (..) {A(i)=..}
for(..) {B(i)=..}

Staraj się "parować", łączyć w pary instrukcje, by móc równoczęśnie dwi wykonywać. Zazwyczaj tą robotę powinien wykonać za Ciebie kompilator, gdy piszesz w C.
Unikaj długich, złożonych instrukcji, np LOOP, zmiast nich używaj sekwencji prostszych instrukcji .
Czyść rejestry za pomocą xor reg, reg
Unikaj łądowania małej ilości danych i zaraz potem wielkich danych w ten sam obszar pamięci (i na odwrót). Staraj się zawsze łądować dane o tym samym rozmiarze i w ten sam sposób w te same obszry pamięci.
Zawsze pamietaj o odpowiednim wyrównywaniu danych. Zasadniczo zajmuje sie tym gcc, mozna zawsze wymusic odpowiednie wyrownanie za pomoca __attribute__((aligned(alignment)), albo tez za pomoca dyrektywy gas-a .align albo (lepiej) .balign alignment, fill_value, maximum_skipped_bytes (dwa ostatnie argumenty opcjonalne) lub .p2align potega_dwojki, fill_value,maximum_skipped_bytes. Magistrala pamieci jest 32-bitowa; tak wiec, zeyb sciagnac dowolna dana, sciagane sa CALE 32 bity. Jezeli wiec zmienna nie jest odpowiednia wyrownana (np. zajmuje 4 bajty, ale poczatek znajduje sie na adresie niepodzielnym przez cztery) to trzeba wykonac dwóch dostepow do pamieci, by ja sciagnac.
Zwracaj uwagę na algorytm przewidywania skoków. Te skoki, ktore pojawiaja sie czesciej, daj na poczatku petli. Najlepiej zas unikaj skokow i zastepuj je innymi, rownowaznymi instrukcjami. (np b=a?1:0 bedzie dla dobrych kompilatorow generowalo lepszy kod niz if (a>0) b=1; else b=0; - pomijajac sens przykladu :) ).

Ogólne reguły tyczące parowanie: