(原創) 如何加速for loop? (C/C++) (OpenMP) (template) (TMP) (C2H)

Absract
據同學說是聯發科的面試考題，以下是我野人獻曝的解法，若有大俠有任何更好的方，歡迎華山論劍。

Introduction
原題如下

有一個for迴圈，從0加到100，可是我覺得它不夠快，要怎樣才能讓她更快呢?(不可以用數學公式)
  
for(i = 0; i <= 100; i++) 
  s = s + i;

我能想到的解法
1.調compiler參數，vc++和gcc都有-o可以調，可以optimize for speed，是最懶的方式。
  
2.善用多核心：

 1 /* 
 2 (C) OOMusou 2008 http://oomusou.cnblogs.com
 3 
 4 Filename    : parallel_for_100.c
 5 Compiler    : Visual C++ 8.0
 6 Description : Demo how to parallel sum 0 to 100
 7 Release     : 03/14/2008 1.0
 8 */
 9 #include <stdio.h>
10 #include "omp.h"
11 
12 int main() {
13   int i;
14   int s = 0;
15   
16   printf("Number of core : %d\n", omp_get_num_procs());
17   printf("Number of threads : %d\n", omp_get_num_threads());
18   
19   #pragma omp parallel for
20   for(i = 0; i <= 100; ++i) {
21     printf("thread %d : %d\n", omp_get_thread_num(), s = s + i);
22   }
23   printf("%d\n", s);
24 }

執行結果

Number of core : 2
Number of threads : 1
thread 0 : 0
thread 1 : 51
thread 0 : 52
thread 0 : 106
thread 1 : 104
thread 0 : 109
thread 1 : 162
thread 0 : 166
thread 1 : 220
thread 0 : 225
thread 1 : 280
thread 0 : 286
thread 1 : 342
thread 0 : 349
thread 1 : 406
thread 0 : 414
thread 1 : 472
thread 0 : 481
thread 1 : 540
thread 0 : 550
thread 1 : 610
thread 0 : 621
thread 1 : 682
thread 0 : 694
thread 1 : 756
thread 0 : 769
thread 1 : 832
thread 0 : 846
thread 1 : 910
thread 0 : 925
thread 1 : 990
thread 0 : 1006
thread 1 : 1072
thread 0 : 1089
thread 1 : 1156
thread 0 : 1174
thread 1 : 1242
thread 0 : 1261
thread 1 : 1330
thread 0 : 1350
thread 1 : 1420
thread 0 : 1441
thread 1 : 1512
thread 0 : 1534
thread 1 : 1606
thread 0 : 1629
thread 1 : 1702
thread 0 : 1726
thread 1 : 1800
thread 0 : 1825
thread 1 : 1900
thread 0 : 1926
thread 1 : 2002
thread 0 : 2029
thread 1 : 2106
thread 0 : 2134
thread 1 : 2212
thread 0 : 2241
thread 1 : 2320
thread 0 : 2350
thread 1 : 2430
thread 0 : 2461
thread 1 : 2542
thread 0 : 2574
thread 1 : 2656
thread 0 : 2689
thread 1 : 2772
thread 0 : 2806
thread 1 : 2890
thread 0 : 2925
thread 1 : 3010
thread 0 : 3046
thread 1 : 3132
thread 0 : 3169
thread 1 : 3256
thread 0 : 3294
thread 1 : 3382
thread 0 : 3421
thread 1 : 3510
thread 0 : 3550
thread 1 : 3640
thread 0 : 3681
thread 1 : 3772
thread 0 : 3814
thread 1 : 3906
thread 0 : 3949
thread 1 : 4042
thread 0 : 4086
thread 1 : 4180
thread 0 : 4225
thread 1 : 4320
thread 0 : 4366
thread 1 : 4462
thread 0 : 4509
thread 1 : 4606
thread 0 : 4654
thread 1 : 4752
thread 0 : 4801
thread 1 : 4900
thread 0 : 4950
thread 1 : 5050
5050

由以上結果可以發現，thread 0由0開始跑，thread 1由51開始跑，但之後就隨機分配到兩個核心，所以充分利用兩個核心來運算。
  
3.inline assembly：我asm忘了差不多了， 一時也寫不出來XD
  
4.改用unsigned int，而不用int，這種寫法經我測試可以快一倍速度，主要是int須動用到有號數運算，速度較慢，詳細原理請參考(原創) 無號數及有號數的乘加運算電路設計 (初級) (IC Design) (Verilog) (Linux)

 1}

5.使用Loop unwinding，請參考Wiki Loop unwinding

 1}

6.使用C++的Template Meta Programming方式，由於這是一種在compile time的運算，而不是在run time計算，所以在run time速度很快。

 1}

C++的template類似C的macro，是否可用c來達成呢?我試著用以下的C，但無法compile成功，主要是C並不支援recursive macro，所以無福消受。

1#include <stdio.h> 
2#define foo(x) ((x)?((x)+foo(x-1)):(0))
3
4}

7.使用硬體加速編譯器，請參閱Wiki Loop unwinding