我相信现在大家经过折腾已经写出了最简单格式的A+B，如果还没能写出的请仔细阅读《AT&T 汇编语言与GCC 内嵌汇编简介》
那上面对于可能出现的错误讲得比较清楚。我们的第一版本的代码可能如下：
#include<stdio.h>
int main(void)
{
int a,b;scanf("%d%d",&a,&b);
__asm__ __volatile__ (
"addl %1,%2 \n\t"
:"=r"(a)
:"r"(b),"0"(a));
printf("%d\n",a);
return0;
}
现在我们发现这个a在输入和输出里面都出现了，这个很不爽。现在有一个比"="更爽的限制符"+"，可以表示读写型的。修改的代码如下：
#include<stdio.h>
int main(void)
{
int a,b;scanf("%d%d",&a,&b);
__asm__ __volatile__ (
"addl %1,%0 \n\t"
:"+r"(a)
:"r"(b));
printf("%d\n",a);
return0;
}
这个代码看起来比较满意了。不过写%0,%1这些东西总有些小不爽，所以新版的gcc又添加了一种新的写法：
#include<stdio.h>
int main(void)
{
int a,b;scanf("%d%d",&a,&b);
__asm__ __volatile__ (
"addl %[b],%[a] \n\t"
:[a]"+r"(a)
:[b]"r"(b));
printf("%d\n",a);
return0;
}
至此，我们A+B算是折腾完了。现在简单总结一下，嵌入汇编的结构虽然看起来复杂，实际上我们发现只要写对了输入输出，那么其他的东东，我们只要写一行行的汇编语句就行了。这个比起写纯汇编可爽多了啊。而且通常来讲，循环的迭代部分是不怎么耗损时间的，真正麻烦的是里面的处理代码。所以我们基本不需要用汇编写循环了，只要把循环内的关键部分改成汇编就好了。
现在我们的问题又来了，第一，真的这么简单吗？好像不是，我们写代码来提高效率需要大量运用寄存器，我们这样把eax,ebx等等寄存器改来改去太危险了。第二，就算我们汇编熟练了，那么这样又能提高多少的效率啊，好像也不大吧。
不得不承认上面的担心是有道理的。但是我们再认真读读s436的1000pt。我们发现这个题目的暴力算法复杂度是3.6*10^9。以我们的经验来讲，topcoder的机器搞搞10^8复杂度的乘法还是OK的，但是10^9注定悲剧啊。难道汇编真有这么神奇的力量？我们现在仔细看看Psyho的代码，我们发现根本没有我们熟悉的eax,ebx等等，反而是一些xmm0,xmm1之类的。对了，这个就是关键所在了。这个是SSE2(Streaming SIMD Extensions 2，Intel官方称为SIMD 流技术扩展2）的东东，简单来说，xmm0是128位的寄存器。也就是说：第一，我们担心的eax,ebx已经是浮云啦；第二，效率最差我们可以让它提高4倍，因为我们用的是128位寄存器。
尽管如此，那么我们就真的可以解决3.6*10^9的复杂度吗？其实强大的SSE2还有新的强大指令集啦。我们搜一下pmaddwd，这个居然就是压缩乘法与加法指令，而且题目给我们的数据都是%100,也就是short存足够了。那这样。。。无敌啦。完美啦。我们的乘法和加法只需要一个指令，而且我们处理起来是128位一搞，而且Psyho的代码中三个pmaddwd和paddd由于是完全独立的，我们可以认为存在多路并发处理的机会。我们再看看OFF,一次就跳过了24，这样的优化足够了。
当然Psyho的代码优化还不止如此，我们注意到声明部分的__attribute__((aligned(16)))，我们可以知道，他采用对齐优化了加载内存的速度，而movdqa就是用于一次加载对齐的128位的指令。所以由于对齐的声明他的代码外层循环需要步长为8。（128位，short为16位，8==128/16）
经过测试其实该题不需要采用对齐来优化就可以过了，没有对齐的情况下，逻辑极其简单，关键代码可以精简如下：
short x[63000],y[130000];
classCircularShifts{
public:
int maxScore(int,int,int,int,int);
};
intCircularShifts::maxScore(int n,int _Z0,int _A,int _B,int _M){
LL Z0=_Z0, A=_A, B=_B, M=_M;
VC < LL > z;
z.PB(Z0 % M);
REP(i, n+n-1) z.PB((z[i]* A+B)% M);
REP(i, n) x[i]= z[i]%100,y[n+i]=y[i]= z[i + n]%100;
int mx =0;
#define OFF 24
REP(i,n){
intno=0,mn=n-n%OFF;
short*ed=x+mn;
int vt[4]={0};
__asm__ __volatile__ (
"xorpd %%xmm6, %%xmm6\n\t"
:::
);
for(short*px=x,*py=y+i; px != ed; px+= OFF,py+=OFF){
__asm__ __volatile__ (
"movdqu 0(%1), %%xmm1\n\t"
"movdqu 16(%1), %%xmm3\n\t"
"movdqu 32(%1), %%xmm5\n\t"
"pmaddwd 0(%0), %%xmm1\n\t"
"pmaddwd 16(%0), %%xmm3\n\t"
"pmaddwd 32(%0), %%xmm5\n\t"
"paddd %%xmm1, %%xmm3\n\t"
"paddd %%xmm5, %%xmm6\n\t"
"paddd %%xmm3, %%xmm6\n\t"
::"r"(px),"r"(py):
);
}
__asm__ __volatile__ (
"movdqu %%xmm6, %0\n"
:"=m"(*vt)::
);
no= vt[0]+ vt[1]+ vt[2]+ vt[3];
FOR(j, mn, n)no+= x[j]* y[i + j];
mx=max(mx,no);
}
return mx;
}
当然，对齐是个好习惯，这个题目对齐与不对齐耗时差距近0.5s。另外可能有人会问，除了这种有好的SSE指令这种情况下，其他情况也能有很爽的优化吗？最常用的肯定是位操作了，现在我们有了128位的寄存器，位操作的效率就提高很多了。关于位操作优化的效果，可以参见Rizvanov_de_xXx提交的srm 494 practice room 1000pt。
最后做个最简单的总结，根据这两份代码我们可以发现尽量采用指针，最后的结果movdqu回去就行了，计算都在xmm0，xmm1这些寄存器里面做，一次能搞128位。最后我们达到的效果就是即便10^9的复杂度，我们的暴力算法也有希望了。
本篇文章在简单介绍内嵌汇编后，主要是针对SSE的指令和寄存器来介绍汇编的优化。最终我们绕过eax,ebx这些易错的寄存器，反而还取得了一次解决128位的效果，达到了高度优化和编程简单。由于篇幅有限，本文未详细介绍汇编语言和内联汇编的知识，希望文章开头给出的链接有所帮助，另外对于C语言一些能更好生成目标代码的编写技巧，也没有讨论，这个部分大家可以参见骆可强的国家集训队论文《论程序底层优化的一些方法与技巧》。
参考文献：
GCC Extended-Asm http://gcc.gnu.org/onlinedocs/gcc/Extended-Asm.html
Linux内核完全剖析 赵炯
GCC嵌入式汇编 http://oss.org.cn/kernel-book/ch02/2.6.3.htm
AT&T 汇编语言与GCC 内嵌汇编简介 chforest_chang@hotmail.com
论程序底层优化的一些方法与技巧 骆可强