Repositório destinado aos códigos e atividades da disciplina SSC0951 - Desenvolvimento de Código Otimizado.
Profa. Dra. Sarita Mazzini Bruschi
- Planejamento de Experimentos
- Perfilamento de Algoritmos (Pt.1)
- Perfilamento de Algoritmos (Pt.2)
- Otimizações pelo Compilador
- Práticas de Otimização em Python
- Vetorização
Nesta atividade, foi desenvolvido em R um experimento fatorial completo (
A atividade representou meu primeiro contato formal com Planejamento e Análise de Experimentos (DOE), permitindo consolidar conceitos como aleatorização, replicação, contrastes e interpretação de efeitos.
O código referente à atividade encontra-se em
/01_experiments.
Esta atividade consistiu em utilizar a ferramenta perf, um perfilador por amostragem do Linux, para coletar métricas relacionadas a branching e acesso à cache durante a execução de um programa de multiplicação de matrizes. O algoritmo foi implementado em quatro versões: Naive, Interchange, Unrolling e Tiling, permitindo observar como diferentes estratégias de organização de loops afetam o comportamento do hardware.
As métricas coletadas com o perf foram posteriormente analisadas em R, com o objetivo de investigar a influência entre os contadores de desempenho e identificar padrões que relacionam as otimizações aplicadas e o custo computacional resultante.
O código referente à atividade encontra-se em
/02_matrix_multiplication.
A terceira atividade consistiu em utilizar a ferramenta gprof, um perfilador por instrumentação do Linux, para coletar métricas de tempo e de chamadas de funções. Para isso, foi codificado um programa que implementa diferentes algoritmos de ordenação, como Quick Sort, Merge Sort e Heap Sort. Os resultados obtidos foram posteriormente analisados utilizando uma ferramenta gráfica que transforma a saída do perfilador em um grafo de fluxo de execução do programa, evidenciando os gargalos do programa.
O código referente à atividade encontra-se em
/03_sorting_analysis.
Nesta atividade, empregou-se diferentes diretivas de compilação para dois algoritmos de famosos de benchmark: fannkuch-redux e n-body, ambos retirados do site do CLBG. As flags de compilação utilizadas na análise foram -O0, -O1, -O2, -O3 e -Os, e foram coletadas métricas de tempo de execução, tempo de compilação e tamanho do binário gerado.
O código referente à atividade encontra-se em
/04_compiler_flags.
A quinta atividade consistiu em aplicar técnicas de perfilamento e otimização de acesso à cache em Python, além de explorar o uso de bibliotecas altamente otimizadas. Para isso, foram utilizados os módulos cProfile e timeit para medir o desempenho e identificar gargalos nos códigos. Avaliou-se também o impacto do decorador @lru_cache, do módulo functools, em algoritmos de busca em grafos, especialmente no caso do A*, cujo cálculo repetido da heurística é adequado para memoização. Por fim, comparou-se o desempenho da multiplicação de matrizes implementada em Python puro com a versão otimizada oferecida pela biblioteca NumPy, evidenciando os ganhos proporcionados por operações vetorizadas e rotinas de baixo nível.
O código referente à atividade encontra-se em
/05_python_optimization.
A sexta atividade envolveu a vetorização de um kernel computacional utilizando intrínsecos, comparando uma implementação escalar com uma versão vetorizada aplicada a um filtro Gaussiano 2D. O código foi compilado com diferentes configurações, permitindo medir separadamente o impacto das otimizações automáticas do compilador e da vetorização manual. Os resultados demonstraram como o uso de SIMD pode acelerar o processamento dependendo do nível de otimização já aplicado pelo compilador.
O código referente à atividade encontra-se em
/06_vectorization.