如何让GCC生成与ICC性能相当的向量指令？

我看到你遇到了GCC 5.5编译复数运算循环时性能远不如ICC的问题——从你贴的汇编就能明显看出来：ICC把复数乘法完全向量化成了AVX2指令，而GCC却在每次循环里调用标量的__mulsc3库函数，这10倍的性能差距也就不奇怪了。下面给你几个针对性的优化方向，按优先级排序：

1. 优先升级GCC版本 #

GCC 5.5是比较老旧的版本（2018年发布），对复数类型的自动向量化支持很有限。从GCC 7开始，编译器对复数运算的向量化逻辑做了大幅改进，能自动把复数乘法转换为适合AVX2的向量浮点指令，不用修改代码就能获得接近ICC的性能。如果项目允许升级编译器，这是成本最低、效果最明显的优化。

2. 调整编译选项（针对GCC 5.5） #

如果无法升级编译器，调整编译选项能大幅改善性能：

• 切换到-O3优化级别：-O2虽然启用了向量化，但-O3会开启更激进的循环展开、指令调度和向量化策略，更适合你这个循环场景
• 添加-ffast-math：这是关键选项！严格遵循IEEE浮点标准会限制编译器对复数乘法的向量化转换，-ffast-math允许编译器忽略NaN/Inf处理、重新排列运算顺序，让它能像ICC那样把复数乘法拆成AVX2友好的向量运算
• 对齐架构选项：和ICC保持一致，用-march=core-avx2代替单独的-mavx2，-march会让编译器生成针对该CPU架构的最优指令调度，而不只是启用AVX2指令集
• 启用向量化日志：添加-fopt-info-vec-all，编译时会输出循环是否被向量化、为什么没被向量化的详细信息，帮你排查对齐或依赖问题

调整后的GCC编译命令示例：

gcc -c -O3 -ftree-vectorize -march=core-avx2 -ffast-math -fopt-info-vec-all gcctest.c

3. 修正指针对齐和循环提示 #

GCC 5.5对指针对齐的识别比较严格，你可以优化__builtin_assume_aligned的用法，直接在指针定义时标注对齐：

float complex *realptr1 = __builtin_assume_aligned((float complex *)&ptr1[storageOffset], 64);
float complex *realptr2 = __builtin_assume_aligned((float complex *)&ptr2[storageOffset], 64);

另外，除了#pragma GCC ivdep，可以再加#pragma GCC vector always强制编译器尝试向量化，或者#pragma unroll 8让编译器展开循环，配合向量化获得更好的指令调度。

4. 手动实现复数乘法的向量版本 #

如果前面的方法都无法达到预期性能，你可以手动用AVX2 intrinsics实现复数运算，完全绕过编译器的自动向量化逻辑：

// 把复数数组拆分为实部和虚部的向量数组
__m256 *a_real = (__m256 *)realptr1;
__m256 *a_imag = (__m256 *)((float *)realptr1 + 1);
__m256 *b_real = (__m256 *)realptr2;
__m256 *b_imag = (__m256 *)((float *)realptr2 + 1);

// 每个AVX2寄存器处理4个复数，循环次数减半
for (j = 0; j < 512/4; j++) {
    __m256 ar = a_real[j];
    __m256 ai = a_imag[j];
    __m256 br = b_real[j];
    __m256 bi = b_imag[j];

    // 复数乘法：(ar*br - ai*bi) + (ar*bi + ai*br)i
    __m256 prod_real = _mm256_fmsub_ps(ar, br, _mm256_mul_ps(ai, bi));
    __m256 prod_imag = _mm256_fmadd_ps(ar, bi, _mm256_mul_ps(ai, br));
    // 复数加法：(ar+br) + (ai+bi)i
    __m256 sum_real = _mm256_add_ps(ar, br);
    __m256 sum_imag = _mm256_add_ps(ai, bi);

    // 写回结果
    a_real[j] = prod_real;
    a_imag[j] = prod_imag;
    b_real[j] = sum_real;
    b_imag[j] = sum_imag;
}

这个实现完全复刻了ICC生成的向量指令逻辑，性能能和ICC版本持平。

内容的提问来源于stack exchange，提问作者Kate