Анализ алгоритмов составляющих частей компилятора и его оптимизации
(Стр. 26-35)

Подробнее об авторах
Харин Илья Андреевич аспирант, кафедра вычислительных машин, систем и сетей
Национальный исследовательский университет «Московский энергетический институт (МЭИ)»
г. Москва, Российская Федерация Раскатова Марина Викторовна кандидат технических наук, доцент; кафедра вычислительных машин, систем и сетей; Национальный исследовательский университет «Московский энергетический институт (МЭИ)»; г. Москва, Российская Федерация

Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты

Аннотация:
Оптимизация программ возникла, как ответ на появление высокоуровневых языков программирования, и включает в себя специальные приемы и методы, используемые при построении компиляторов для получения достаточно эффективного объектного кода. Совокупность этих методов составляла в прошлом и является теперь неотъемлемой частью так называемых оптимизирующих компиляторов, целью которых заключается в создании объектного кода, позволяя экономить такие компьютерные ресурсы, как процессорное время и память. Для современных суперкомпьютеров добавляется также требование правильного использования аппаратных особенностей. В данном контексте особого внимания заслуживают вопросы, связанные с оптимизацией компиляторов, которая может включать в себя адаптацию компилятора для уменьшения времени выполнения или размера объекта, или и того, и другого. С учетом вышеизложенного, цель статьи заключается в проведении анализа алгоритмов составляющих частей компилятора и обозначении путей его оптимизации. В процессе исследования кратко охарактеризована общая технология работы компилятора. Отдельное внимание уделено рассмотрению основных функции алгоритмов, которые реализуются на разных этапах работы компилятора. Также рассмотрены возможности использования машинного обучения для оптимизации компиляторов.
Образец цитирования:
Харин И.А., Раскатова М.В. Анализ алгоритмов составляющих частей компилятора и его оптимизации // Computational Nanotechnology. 2023. Т. 10. № 2. С. 26-35. DOI: 10.33693/2313-223X-2023-10-2-26-35. EDN: BDGKMA
Список литературы:
Aschwanden P. CcNav: Understanding compiler optimizations in binary code // IEEE Transactions on Visualization and Computer Graphics. 2021. Vol. 27. No. 2. Pp. 667–677.
Chen Ge. CRAC: An automatic assistant compiler of checkpoint/restart for OpenCL program // Concurrency and Computation: Practice and Experience. 2022. Vol. 34. No. 8. Pp. 14–22.
Huang Ya., Xie B. Fine-grained compiler identification with sequence-oriented neural modeling // IEEE Access: Practical Innovations, Open Solutions. 2021. Vol. 9. Pp. 49160–49175.
Sampson A., Adit N. Performance left on the table: An evaluation of compiler autovectorization for RISC-V // IEEE Micro. 2022. Vol. 42. No. 5. Pp. 41–48.
Tang Yi., Zhou Zh.. Detecting compiler warning defects via diversity-guided program mutation // IEEE Transactions on Software Engineering. 2021. Vol. 48. No. 11. Pp. 4411–4432.
Tewary M., Salcic Z.. Compiler-assisted energy reduction of java real-time programs // Microprocessors and Microsystems. 2022. Vol. 89. No. 3. Pp. 78–83.
Wang Zh. Machine learning in compiler optimization // Proceedings of the IEEE. 2018. Vol. 106. No. 11. Pp. 1879–1901.
Баглий А.П., Кривошеев Н.М., Штейнберг Б.Я. Автоматизация распараллеливания программ с оптимизацией пересылок данных // Научный сервис в сети Интернет. 2022. № 24. С. 81–92.
Болотнов А.М., Нурисламова Э.А. Влияние оптимизации компилятора GCC на эффективность программного кода в языке C++ // Современные наукоемкие технологии. 2019. № 12-2. С. 266–270.
Вьюкова Н.И., Галатенко В.А., Самборский С.В. Средства динамического анализа программ в компиляторах GCC и CLANG // Программирование. 2020. № 4. С. 46–64.
Малявко А.А. Обработка ошибок в синтаксическом анализаторе компилятора языка EL // Научный вестник Новосибирского гос. техн. ун-та. 2019. № 2 (75). С. 37–48.
Советов П.Н. Итеративный подход с использованием компилятора для синтеза и моделирования проблемно-ориентированного набора команд // International Journal of Open Information Technologies. 2019. Т. 7. № 10. С. 14–21.
Стрелец А.И., Черникова Е.А., Малков Л.В., Дождев А.И. Структура компилятора одноразовой программы // Международный журнал гуманитарных и естественных наук. 2019. № 1-1. С. 146–147.
Третьяк А.В. Значимость отступов при разработке лексического анализатора компиляторов // Молодежь. Наука. Инновации. 2021. Т. 1. С. 306–309.
Штейнберг Б.Я. Преобразования программ – фундаментальная основа создания оптимизирующих распараллеливающих компиляторов // Программные системы: теория и приложения. 2021. Т. 12. № 1 (48). С. 21–113.
Ключевые слова:
компилятор, программный код, оптимизация, алгоритм, анализ, синтез, машинное обучение.


Статьи по теме

Вычислительные системы и их элементы Страницы: 103-111 DOI: 10.33693/2313-223X-2023-10-1-103-111 Выпуск №22811
Методика разработки скоростного компилятора на основе модифицированного метода оптимизации loop fusion: модели и инструменты его реализации
оптимизация слияние цикла реверс петля компилятор
Подробнее
4. МАТЕМАТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ ЭКОНОМИКИ 08.00.13 Страницы: 65-72 Выпуск №19146
Прогнозирование финансовых рынков с использованием сверточной нейронной сети
прогнозирование финансовых рынков машинное обучение сверточная нейронная сеть математическая модель алгоритм
Подробнее
Системный анализ, управление и обработка информации, статистика Страницы: 96-106 DOI: 10.33693/2313-223X-2024-11-5-96-106 Выпуск №172073
Оптимизация бизнес-процессов транспортной задачи через создание мобильного приложения
оптимизация транспортная логистика мобильное приложение моделирование алгоритм
Подробнее
5. УГОЛОВНОЕ ПРАВО И КРИМИНОЛОГИЯ, УГОЛОВНО-ИСПОЛНИТЕЛЬНОЕ ПРАВО (СПЕЦИАЛЬНОСТЬ 12.00.08) Страницы: 182-184 Выпуск №16680
О вопросе феномена религиозного фундаментализма: формах проявления и порождающих факторах
фундаментализм религия анализ синтез исторические вариации
Подробнее
Искусственный интеллект и машинное обучение Страницы: 11-18 DOI: 10.33693/2313-223X-2024-11-4-11-18 Выпуск №173588
Применение численных методов для оптимизации визуальных элементов в электронной коммерции
электронная коммерция (e-commerce) дизайн скидок численные методы регрессионный анализ кликабельность (CTR)
Подробнее
Искусственный интеллект и машинное обучение Страницы: 11-21 DOI: 10.33693/2313-223X-2024-11-2-11-21 Выпуск №119881
Разработка торговой стратегии криптовалюты с применением методов машинного обучения
криптовалюта биткоин торговые стратегии машинное обучение скользящие средние
Подробнее
Многомасштабное моделирование для управления и обработки информации Страницы: 11-20 DOI: 10.33693/2313-223X-2022-9-2-11-20 Выпуск №21224
Определение оптимальной модели машинного обучения для предсказания паводков на реке Амур
управление катастрофами предсказание паводков река Амур машинное обучение disaster management
Подробнее
Многомасштабное моделирование для управления и обработки информации Страницы: 11-25 DOI: 10.33693/2313-223X-2021-8-1-11-25 Выпуск №18588
Применение методов коллаборативной фильтрации в задаче предсказания эффективности работы популяционных алгоритмов оптимизации
рекомендательные системы оптимизация эволюционные алгоритмы методы роевого интеллекта recommender systems
Подробнее
1. ТЕОРИЯ И ИСТОРИЯ ПРАВА И ГОСУДАРСТВА; ИСТОРИЯ УЧЕНИЙ О ПРАВЕ И ГОСУДАРСТВЕ (СПЕЦИАЛЬНОСТЬ 12.00.01) Страницы: 12-15 Выпуск №13507
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК СПОСОБ ОПТИМИЗАЦИИ НОРМОТВОРЧЕСКОГО ПРОЦЕССА
нормотворческий процесс корпоративное нормотворчество искусственный интеллект информационные технологии оптимизация
Подробнее
Искусственный интеллект и машинное обучение Страницы: 19-24 DOI: 10.33693/2313-223X-2024-11-4-19-24 Выпуск №173588
Анализ и оценка алгоритмов персонализации взаимодействия с пользователем для разработки социальной сети
социальная сеть машинное обучение искусственный интеллект рекомендательная система K-Nearest Neighbors
Подробнее