TI RM57L843上armcl与GCC编译性能差异及GCC优化方案咨询

我正在使用Texas Instruments（TI）RM57L843微控制器，测试矩阵乘法for循环的执行时间。分别用Code Composer Studio中的TI专属编译器armcl，以及GNU GCC ARM Toolchain v10.3编译同一段代码，得到了不同的执行时间。

测试代码如下：

while (1) {
    gioSetBit(gioPORTB, PIN_OUT, 0);

    for (cntr = 0; cntr < 20; cntr++)
        MatMult_AxB(C, A, B, Rows, Cols, Rows, Cols);

    gioSetBit(gioPORTB, PIN_OUT, 1);

    for (cntr = 0; cntr < 20; cntr++)
        MatMult_AxB(C, A, B, Rows, Cols, Rows, Cols); 
}

通过示波器观测PIN_OUT引脚电平切换，得到以下耗时：

• 禁用所有优化：armcl编译的循环耗时6.6ms，GCC编译耗时17ms
• 开启最高优化：armcl启用-O4（全程序优化）+-opt_for_speed=5，耗时2.8ms；GCC启用-O3，耗时8.2ms

一、armcl性能更优的原因 #

• 架构深度适配：armcl是TI专为自家Cortex-R5F架构（RM57L843基于该架构）定制的编译器，对该架构的流水线、寄存器分配、指令调度做了针对性优化，在高性能运算场景下的适配精度更高。
• 全程序优化能力：-O4开启的全程序优化可以跨文件分析代码，消除冗余调用、合并函数逻辑；而GCC默认-O3仅做单文件内的深度优化，跨单元优化能力较弱。
• 速度优先的极致调优：-opt_for_speed=5参数强制编译器以牺牲代码体积为代价，生成执行效率最高的指令序列，比如更彻底的循环展开、最大化寄存器复用；GCC的-O3则是速度与代码体积的平衡选项，优化激进程度更低。
• 硬件指令集利用：armcl能更直接地调用TI MCU的硬件加速模块（如浮点单元、DSP指令），在矩阵乘法中自动生成高效的VFP或DSP指令；而GCC在部分场景下对特定硬件指令的生成不够主动。

二、GCC优化方案以匹配armcl性能 #

1. 开启全程序优化：添加-flto（链接时优化）参数，实现类似armcl -O4的跨文件代码分析，消除冗余逻辑、优化函数调用链。
2. 强化速度优先策略：在-O3基础上添加-Ofast，该参数放宽严格IEEE浮点标准，启用更多激进的速度优化，比如浮点运算近似处理、更彻底的循环展开。
3. 指定目标架构特性：添加-mcpu=cortex-r5f和-mfpu=vfpv3-d16参数，明确告知GCC目标硬件的架构与浮点单元特性，使其生成更适配的指令序列。
4. 手动优化矩阵乘法实现：
   • 调整循环顺序（如将i-j-k改为i-k-j），提升缓存命中率，减少内存访问延迟；
   • 手动进行循环展开，降低循环控制指令的开销；
   • 使用GCC内置的__builtin向量扩展函数或内联汇编，直接调用DSP/VFP指令加速运算。
5. 剔除调试冗余：确保关闭-g调试参数，添加-fno-debug-info，避免调试代码占用运行资源。
6. 优化函数调用：给MatMult_AxB添加static关键字，让编译器更易做内联优化；同时添加-fomit-frame-pointer省略帧指针，减少函数调用时的寄存器操作开销。

内容的提问来源于stack exchange，提问作者Dan