面试题：C++实时系统中资源受限场景下的优化策略

代码优化

减少不必要的函数调用：
- 内联函数：对于短小的函数，尤其是在循环中频繁调用的函数，使用inline关键字声明为内联函数。编译器会在调用处将函数代码展开，避免函数调用的开销，包括栈的开辟与恢复等操作。例如：

inline int add(int a, int b) {
    return a + b;
}

- **避免虚函数**：虚函数调用涉及到额外的间接寻址（通过虚函数表），在资源受限的实时系统中应尽量避免。如果必须使用多态，可以考虑使用模板元编程等技术来实现静态多态。

2. 优化循环： - 循环不变代码外提：将循环中不随循环变量改变的计算移出循环。例如：

int factor = 2;
for (int i = 0; i < n; ++i) {
    int result = i * factor; // factor在循环中不变，可外提
}
// 优化后
int factor = 2;
int result;
for (int i = 0; i < n; ++i) {
    result = i * factor;
}

- **减少循环嵌套深度**：尽量将多层循环合并为单层循环，减少循环控制变量的维护开销。
- **使用合适的循环终止条件**：避免复杂的条件判断在每次循环时执行，可以提前计算好终止条件。

3. 数据类型选择： - 使用最小合适的数据类型：例如，若变量的取值范围已知较小，使用char（8位）或short（16位）代替int（通常32位），减少内存占用。对于只需要表示真或假的变量，使用bool（1位）。 - 避免浮点数运算：浮点数运算在嵌入式设备上通常较慢，尽量使用整数运算代替。若必须使用浮点数，考虑使用定点数运算来提高效率，通过自定义小数位来模拟浮点数的精度。

算法选择

简单高效算法：
- 排序算法：对于小规模数据，选择插入排序或冒泡排序，它们的代码实现简单，空间复杂度低。对于大规模数据，在实时性要求较高且数据大致有序的情况下，可考虑使用快速排序的优化版本（如三数取中优化），避免最坏情况的时间复杂度。
- 查找算法：对于静态数据集合，使用二分查找代替线性查找，其时间复杂度为$O(\log n)$，大大提高查找效率。若数据是动态变化的，可考虑使用哈希表，平均查找时间复杂度为$O(1)$，但需要注意哈希冲突的处理。
实时调度算法：
- 固定优先级调度算法：为每个任务分配一个固定的优先级，优先级高的任务优先执行。例如，基于抢占式的固定优先级调度，当高优先级任务就绪时，可立即抢占低优先级任务的执行。适用于任务优先级明确且相对稳定的实时系统，如工业控制中的一些任务，安全相关任务优先级高。
- 时间片轮转调度算法：为每个任务分配相同的时间片，轮流执行。适用于对响应时间要求不是特别严格，且任务相对平等的场景，如一些简单的多任务嵌入式系统中处理一些用户交互任务等。但这种算法可能会导致某些紧急任务不能及时执行，所以在对实时性要求极高的场景不太适用。

内存布局优化

静态内存分配：
- 尽量使用栈内存：栈内存分配和释放速度快，对于局部变量尽量在栈上分配。例如，避免在函数内部频繁使用new和delete操作动态分配堆内存，除非确实需要动态大小的对象。
- 减少堆内存碎片：对于必须使用堆内存的情况，尽量一次性分配大块内存，并自己管理内存的使用，避免频繁的小块内存分配和释放。可以使用内存池技术，预先分配一块较大的内存，然后以小块形式分配给需要的对象，回收时再将小块内存返回内存池，减少堆内存碎片的产生。
数据结构对齐：
- 结构体对齐：编译器会根据目标平台的规则对结构体进行内存对齐，以提高内存访问效率。了解平台的对齐规则（如x86平台通常按4字节或8字节对齐），合理调整结构体成员的顺序，减少结构体的内存浪费。例如：

// 未优化的结构体
struct A {
    char c; // 1字节
    int i;  // 4字节
}; // 总大小为8字节（1 + 3（填充）+ 4）

// 优化后的结构体
struct B {
    int i;  // 4字节
    char c; // 1字节
}; // 总大小为5字节（4 + 1）

满足实时性要求并最大化系统性能的方法

实时性分析与任务优先级分配：
- 对系统中的任务进行实时性分析，确定每个任务的截止时间、周期等参数。根据任务的重要性和实时性要求，合理分配任务优先级。例如，对于安全关键型任务，如实时监测设备故障的任务，应分配较高的优先级，确保在规定时间内完成。
资源预留与分配：
- 根据系统中任务的资源需求（如内存、CPU时间等），预先进行资源的预留和分配。避免在运行过程中因资源竞争导致任务无法按时完成。例如，为关键任务预留一定比例的CPU时间片和内存空间，确保其在任何情况下都能得到足够的资源支持。
动态性能调整：
- 在系统运行过程中，实时监测系统资源的使用情况和任务的执行情况。当发现系统负载过高或某些任务可能无法按时完成时，动态调整任务的优先级或资源分配策略。例如，可以降低一些非关键任务的优先级，将更多的资源分配给关键任务，以保证系统整体的实时性。

不同实时性约束场景下的适用性

硬实时场景：
- 策略适用性：代码优化和内存布局优化是基础，必须严格执行。算法选择上应优先考虑确定性强的算法，如固定优先级调度算法，确保关键任务在截止时间前完成。内存管理要精确，避免任何可能导致内存碎片或内存泄漏的操作，因为这些都可能影响任务的实时执行。
- 示例：航空电子系统中的飞行控制任务，必须在极短且确定的时间内完成对传感器数据的处理和控制指令的发送，任何延迟都可能导致严重后果。此时，固定优先级调度算法可确保飞行控制任务始终优先执行，而严格的代码和内存优化可保证系统在资源受限的情况下仍能满足实时性要求。
软实时场景：
- 策略适用性：代码优化仍然重要，但可以在一定程度上放宽对算法确定性的要求。例如，可以结合时间片轮转调度算法和固定优先级调度算法，对于非关键任务使用时间片轮转，对于关键任务使用固定优先级调度。内存管理方面，可以适当简化，因为对系统的影响相对较小。
- 示例：智能家居系统中的环境监测任务，虽然希望能及时获取环境数据，但偶尔的延迟不会造成严重后果。此时，时间片轮转调度算法可用于处理一些非关键的用户交互任务，而固定优先级调度算法用于环境监测等相对重要的任务，同时内存管理可采用相对简单的方式，以降低开发成本。
弱实时场景：
- 策略适用性：对实时性要求相对较低，代码优化和算法选择可侧重于整体性能提升。可以使用一些复杂度稍高但通用性好的算法，内存管理也可采用更常规的方式。例如，在一些简单的嵌入式数据采集系统中，可使用常规的动态内存分配方式，算法上可选择相对容易实现的排序和查找算法，只要能在可接受的时间内完成任务即可。
- 示例：一些简单的气象数据采集设备，数据采集和处理任务不需要非常精确的实时性，此时可采用更简单的实现方式，重点在于降低成本和提高整体数据处理效率。

星途面试题库