14、利用机器学习预测优化传递序列

利用机器学习预测优化传递序列

在软件开发中，程序的优化是提升性能的关键环节。传统的手动优化不仅耗时费力，而且难以保证达到最优效果。本文将介绍一种利用机器学习来自动预测优化传递序列的方法，通过构建预测方案，为每个程序找到合适的优化序列，从而提高程序的执行效率。

相关工作

在探讨具体方法之前，先了解一下该领域已有的相关工作：
- Matrins等人 ：提出了一种设计空间探索方案，采用聚类方法寻找优质优化序列组。该方法将先前建议的优化传递组合到每个组中，减少了优化序列探索过程中使用的优化传递数量，从而缩小搜索空间，降低探索时间并提高性能。对于未见过的程序，使用不同的优化序列组进行编译，然后选择最佳的优化序列。
- Cavazos等人 ：提出了一种基于逻辑回归方案的机器学习方法，用于为特定程序找到良好的优化序列。该方法利用基于程序执行时动态特征的性能计数器，通过计算程序之间特征的相似度来找到相似性度量。在训练阶段，根据许多训练程序的行为创建多个优化序列，这些序列用于训练程序，并在测试阶段预测未见过程序的优化序列。
- Purini和Jain ：提出了一种寻找优质优化序列集的方法，这些序列集能够覆盖多个程序。该方法使用随机和遗传算法创建多个有效的优化序列集，并从每个集合中消除产生负面影响的传递。
- Ashouri等人 ：提出了一种使用贝叶斯网络的机器学习方法，用于解决寻找最佳优化序列的问题。该网络根据从程序中提取的动态特征为优化序列提供概率分布，这些特征输入网络后，从概率分布中偏向于最佳优化序列。
-