在GCC 8环境下C++开发中能否使用SIMD三角函数优化旋转计算性能？

云上老周

2026-9-28

问题描述

我编写了一个使用SIMD实现四个3D点绕任意3D轴旋转的函数，功能可正常运行但性能表现极差，相比调用单次仅旋转一个点的函数执行四次仅快15%，远低于我预期的200%~300%性能提升。目前存在的一个问题是编译器无法识别SIMD三角函数，即便我能调用相关函数，也不确定所用CPU（Ryzen 3 1200和Ryzen 7 3700）是否支持该特性。
我希望使用SIMD计算椭圆轨道，该场景涉及大量三角函数运算。我在网上搜索多时未找到有效解决方案，相关代码如下：

vec12d MathFunction::Rotate_SIMD(const vec4d& angle, const vec12d& axis, const vec12d& point)
{
    vec4d get_cosine = vec4d(cos(angle.v[0]), cos(angle.v[1]), cos(angle.v[2]), cos(angle.v[3]));
    vec4d get_sine = vec4d(sin(angle.v[0]), sin(angle.v[1]), sin(angle.v[2]), sin(angle.v[3]));

    __m256d cosTheta = _mm256_loadu_pd(get_cosine.v);
    __m256d sinTheta = _mm256_loadu_pd(get_sine.v);
    __m256d one = _mm256_set1_pd(1.0);
    __m256d minus_cosTheta = _mm256_sub_pd(one, cosTheta);

    __m256d Xaxis = _mm256_loadu_pd(axis.v);
    __m256d Yaxis = _mm256_loadu_pd(&axis.v[4]);
    __m256d Zaxis = _mm256_loadu_pd(&axis.v[8]);

    __m256d Xpoint = _mm256_loadu_pd(point.v);
    __m256d Ypoint = _mm256_loadu_pd(&point.v[4]);
    __m256d Zpoint = _mm256_loadu_pd(&point.v[8]);

    // Get new Xaxis points
    __m256d Xnew = _mm256_mul_pd(Xaxis, Xaxis);
    Xnew = _mm256_mul_pd(Xnew, minus_cosTheta);
    Xnew = _mm256_add_pd(Xnew, cosTheta);
    Xnew = _mm256_mul_pd(Xnew, Xpoint);

    __m256d temp = _mm256_mul_pd(minus_cosTheta, Xaxis);
    temp = _mm256_mul_pd(temp, Yaxis);
    __m256d temp2 = _mm256_mul_pd(Zaxis, sinTheta);
    temp = _mm256_sub_pd(temp, temp2);
    temp = _mm256_mul_pd(temp, Ypoint);
    Xnew = _mm256_add_pd(Xnew, temp);

    temp = _mm256_mul_pd(minus_cosTheta, Xaxis);
    temp = _mm256_mul_pd(temp, Zaxis);
    temp2 = _mm256_mul_pd(Yaxis, sinTheta);
    temp = _mm256_add_pd(temp, temp2);
    temp = _mm256_mul_pd(temp, Zpoint);
    Xnew = _mm256_add_pd(Xnew, temp);

    // Get new Yaxis points
    __m256d Ynew = _mm256_mul_pd(minus_cosTheta, Xaxis);
    Ynew = _mm256_mul_pd(Ynew, Yaxis);
    temp2 = _mm256_mul_pd(Zaxis, sinTheta);
    Ynew = _mm256_add_pd(Ynew, temp2);
    Ynew = _mm256_mul_pd(Ynew, Xpoint);

    temp = _mm256_mul_pd(Yaxis, Yaxis);
    temp = _mm256_mul_pd(temp, minus_cosTheta);
    temp = _mm256_add_pd(temp, cosTheta);
    temp = _mm256_mul_pd(temp, Ypoint);
    Ynew = _mm256_add_pd(Ynew, temp);

    temp = _mm256_mul_pd(minus_cosTheta, Yaxis);
    temp = _mm256_mul_pd(temp, Zaxis);
    temp2 = _mm256_mul_pd(Xaxis, sinTheta);
    temp = _mm256_sub_pd(temp, temp2);
    temp = _mm256_mul_pd(temp, Zpoint);
    Ynew = _mm256_add_pd(Ynew, temp);

    // Get new Zaxis points
    __m256d Znew = _mm256_mul_pd(minus_cosTheta, Xaxis);
    Znew = _mm256_mul_pd(Znew, Zaxis);
    temp2 = _mm256_mul_pd(Xaxis, sinTheta);
    Znew = _mm256_sub_pd(Ynew, temp2);
    Znew = _mm256_mul_pd(Ynew, Xpoint);

    temp = _mm256_mul_pd(minus_cosTheta, Yaxis);
    temp = _mm256_mul_pd(temp, Zaxis);
    temp2 = _mm256_mul_pd(Xaxis, sinTheta);
    temp = _mm256_add_pd(temp, temp2);
    temp = _mm256_mul_pd(temp, Ypoint);
    Znew = _mm256_add_pd(Znew, temp);

    temp = _mm256_mul_pd(minus_cosTheta, Zaxis);
    temp = _mm256_mul_pd(temp, Zaxis);
    temp = _mm256_add_pd(temp, cosTheta);
    temp = _mm256_mul_pd(temp, Zpoint);
    Znew = _mm256_add_pd(Znew, temp);

    vec12d Npoint __attribute__ ((aligned(32)));  // Four points rotated goes here.
    _mm256_store_pd(Npoint.v, Xnew);
    _mm256_store_pd(&Npoint.v[4], Ynew);
    _mm256_store_pd(&Npoint.v[8], Znew);

    return Npoint;
}

解决方案

核心性能瓶颈说明

当前代码性能拉胯的核心原因是8次标量sin/cos调用占了绝大部分耗时，SIMD旋转部分的开销被三角函数完全覆盖，自然看不到预期的性能提升。你使用的两款CPU（Ryzen 3 1200为Zen1架构、Ryzen 7 3700为Zen2架构）均支持AVX2指令集，虽无原生硬件三角函数指令，但可通过向量数学库实现批量三角函数计算，性能远超标量逐次调用。

现有代码隐藏问题

Z轴计算逻辑存在明显的复制粘贴错误：Znew = _mm256_sub_pd(Ynew, temp2); 后续还用这个错误值乘Xpoint，只是当前测试用例未触发异常，建议优先修正该逻辑。
所有输入都使用了非对齐加载_mm256_loadu_pd，如果能保证输入的vec4d、vec12d都做32字节对齐，换成对齐加载指令可获得小幅性能提升。

可落地优化方案

替换三角函数实现：如果用GCC编译，添加编译参数-mavx2 -ffast-math -lmvec，glibc的libmvec库会自动将逐次调用的标量sin/cos向量化，一次计算4个double的三角函数值，仅这一步就能把三角函数部分的性能提升2~3倍。
调整运算逻辑：如果多组点共用同一个旋转轴和角度，提前把罗德里格斯旋转矩阵的9个系数预计算完成，再批量处理点，避免每次处理4个点都重复计算相同的矩阵系数。
精度允许的情况下改用单精度浮点数：AVX2一次可以处理8个float，吞吐量直接翻倍，椭圆轨道计算场景下通常单精度就足够满足精度要求，整体性能会有非常明显的提升。

内容的提问来源于stack exchange，提问作者Joel P