代码优化 减少冗余代码：使用局部常量和初始化语句。 使用高效的条件判断：避免复杂的逻辑表达式。 避免重复代码：使用let、const关键字。 使用内置函数：避免自行实现复杂算法。 逐行测试：快速验证代码的逻辑和性能。 算法优化 选择高效算法：使用O(n log n)算法而非O(n^2)算法。 分治法和动态规划：避免递归深度过深。 并行计算：利用多线程或GPU加速。 减少计算复杂度：降低问题规模或维度。 内存管理 减少内存占用：使用快速数据类型和var变量。 避免不必要的复制：使用var和let避免复制操作。 使用缓存：使用lru_cache或缓存中间结果。 使用虚拟内存：避免不必要的内存碎片。 多线程和并行计算 利用多线程：使用Cilk/C++11等库,将代码分配到多线程。 GPU加速：利用GPU并行计算,加速计算任务。 多线程优化：避免在多线程环境中引入额外的开销。 调试和 profiling 使用调试工具：设置调试点和错误追踪。 自动化测试：使用自动化测试工具（如JUnit、 pytes...
代码优化
- 减少冗余代码：使用局部常量和初始化语句。
- 使用高效的条件判断：避免复杂的逻辑表达式。
- 避免重复代码：使用
let、const关键字。 - 使用内置函数：避免自行实现复杂算法。
- 逐行测试：快速验证代码的逻辑和性能。
算法优化
- 选择高效算法：使用O(n log n)算法而非O(n^2)算法。
- 分治法和动态规划：避免递归深度过深。
- 并行计算：利用多线程或GPU加速。
- 减少计算复杂度：降低问题规模或维度。
内存管理
- 减少内存占用：使用快速数据类型和
var变量。 - 避免不必要的复制：使用
var和let避免复制操作。 - 使用缓存：使用
lru_cache或缓存中间结果。 - 使用虚拟内存：避免不必要的内存碎片。
多线程和并行计算
- 利用多线程：使用Cilk/C++11等库,将代码分配到多线程。
- GPU加速：利用GPU并行计算,加速计算任务。
- 多线程优化：避免在多线程环境中引入额外的开销。
调试和 profiling
- 使用调试工具：设置调试点和错误追踪。
- 自动化测试：使用自动化测试工具（如JUnit、 pytest）。
- 记录性能数据：使用工具记录性能数据,分析瓶颈。
- 使用工具链：使用工具链（如CMake、Git）管理代码和项目。
代码风格优化
- 简洁变量命名：使用明确且简洁的变量名。
- 避免冗余代码：减少变量重复使用。
- 使用注释：解释代码逻辑和关键部分。
- 遵循代码风格指南：使用统一的风格和格式。
利用库和库扩展
- 使用已有的库：使用NumPy、Pandas、C++库加速计算。
- 机器学习库：使用TensorFlow、PyTorch进行并行化和加速。
- 数值优化：使用高效的数学库和向量化运算。
缓存和内存管理
- 使用缓存：使用Lru_cache或缓存中间结果。
- 使用内存管理库：使用
memoryview和view类管理内存。
全局优化
- 使用调试工具：设置调试点和错误追踪。
- 自动化测试：使用自动化测试工具（如JUnit、 pytest）。
- 记录性能数据：使用工具记录性能数据,分析瓶颈。
- 使用工具链：使用工具链（如CMake、Git）管理代码和项目。
自动化工具和工具链
- 使用CMake：管理C/C++项目,优化编译。
- 使用Git：管理代码和项目。
- 使用Jupyter notebook：快速调试和分析代码。
太子
