benchmark系列——Unixbench跑分优化之shell测试项优化

一、shell测试项源码分析

通过查看unixbench Run文件,可以看到unixbench的shell测试项调用了pgms/looper

    "shell8" => {

        "logmsg" => "Shell Scripts (8 concurrent)",

        "cat"    => 'system',

        "prog" => "${BINDIR}/looper",

        "options" => "60 \"${BINDIR}/multi.sh\" 8",

    },

查看工程Makefile文件,可知looper由looper.c编译得到

$(PROGDIR)/looper: $(SRCDIR)/looper.c $(SRCDIR)/timeit.c

查看looper.c的源码,核心是调用execvp函数,:execvp()会从环境变量所指的目录中查找符合参数 file 的文件名, 找到后执行该文件, 然后将第二个参数argv 传给该执行的文件。

execvp函数参数使用了multi.sh脚本,整个测试项就是不停调用该脚本

multi.sh中调用了tst.sh,tst.sh中的命令就是最终跑的命令。

优化方向分析

1. 该测试项是测试sh脚本,可以升级bash/dash来查看优化效果

2. tst.sh调用了sort od rm wc命令,这些命令在coreutils包中

3. 调用了grep命令,升级优化grep

二、sh优化

shell优化可以通过升级版本+静态编译来优化

可以分别尝试bash和dash,查看优化效果

1. 升级bash

下载链接:

https://mirrors.ustc.edu.cn/gnu/bash/bash-5.1.8.tar.gz

./configure –prefix=/usr/local/bash-5.1.8

修改Makefile,CFLAGS后面添加-static,修改为静态链接

make -j

make install

ln -sf /usr/local/bash-5.1.8/bin/bash /usr/bin/sh#重定向软链接

测试优化结果略。

2. 升级dash

wget https://git.kernel.org/pub/scm/utils/dash/dash.git/snapshot/dash-0.5.11.5.tar.gz

./autogen.sh

./configure –prefix=/usr/local/dash-0.5.11.5

修改src/Makfile,添加-static静态编译

make -j

make install

优化结果略。

3. coreutils优化

下载链接:

https://mirrors.ustc.edu.cn/gnu/coreutils/coreutils-9.1.tar.gz

./configure --prefix=/usr/local/coreutils-9.1 --without-libgmp

make -j

make install

export PATH=/usr/local/coreutils-9.1/bin:$PATH

4. grep 优化

wget https://mirrors.ustc.edu.cn/gnu/grep/grep-3.7.tar.gz

./configure –prefix=/usr/local/grep-3.7

make -j

make install

  • 15
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
在Matlab中,优化函数通常用于寻找一个或多个变量的最优解。而benchmark函数则是用来测试计算机的性能和速度,两者并没有直接的关系。不过,有一些优化算法可以用来优化benchmark函数的性能,例如遗传算法、粒子群算法等。 以遗传算法为例,可以通过调整benchmark函数的输入参数来寻找最优解,进而优化函数的性能。具体步骤如下: 1. 定义benchmark函数:例如,可以定义一个基于Rosenbrock函数的benchmark测试函数。 ```matlab function [y] = benchmark(x) y = 100*(x(2)-x(1)^2)^2 + (1-x(1))^2; end ``` 2. 定义遗传算法的参数:例如,可以定义种群大小、迭代次数、交叉概率、变异概率等参数。 ```matlab pop_size = 50; max_iter = 100; crossover_prob = 0.8; mutation_prob = 0.1; ``` 3. 运行遗传算法:使用Matlab内置的遗传算法函数ga(),将benchmark函数作为目标函数,输入参数和参数范围作为限制条件。 ```matlab options = gaoptimset('PopulationSize',pop_size,'Generations',max_iter,... 'CrossoverFraction',crossover_prob,'MutationFcn',{@mutationadaptfeasible,mutation_prob},'PlotFcn',@gaplotbestf); [x,fval] = ga(@benchmark,2,[],[],[],[],[-5,-5],[5,5],[],options); ``` 4. 析结果:寻找最优解,并比较不同参数组合下的优化结果。 ```matlab disp(['The optimal solution is x = [',num2str(x(1)),',',num2str(x(2)),']']); disp(['The optimal function value is f(x) = ',num2str(fval)]); ``` 通过以上步骤,就可以使用遗传算法优化benchmark函数的性能,找到最优解并比较不同参数组合下的优化结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Bluetangos

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值