我已經(jīng)花了一個星期的時間來嘗試完成這項任務(wù)，我希望這里有人可以帶領(lǐng)我走上正確的道路。讓我從講師的指示開始：您的分配與我們的第一個實驗室分配相反，后者是優(yōu)化素數(shù)程序。您在此作業(yè)中的目的是簡化程序，即使其運行緩慢。這兩個都是占用大量CPU的程序。他們需要幾秒鐘才能在我們的實驗室PC上運行。您可能無法更改算法。要優(yōu)化程序，請使用有關(guān)Intel i7管道運行方式的知識。想像一下重新排序指令路徑以引入WAR，RAW和其他危險的方法。想辦法最大限度地減少緩存的有效性。令人作嘔的無能。作業(yè)中選擇了油石或蒙特卡洛程序。緩存效率注釋大部分僅適用于Whetstone，但我選擇了蒙特卡洛模擬程序：// Un-modified baseline for pessimization, as given in the assignment#include <algorithm>    // Needed for the "max" function#include <cmath>#include <iostream>// A simple implementation of the Box-Muller algorithm, used to generate// gaussian random numbers - necessary for the Monte Carlo method below// Note that C++11 actually provides std::normal_distribution<> in // the <random> library, which can be used instead of this functiondouble gaussian_box_muller() {  double x = 0.0;  double y = 0.0;  double euclid_sq = 0.0;  // Continue generating two uniform random variables  // until the square of their "euclidean distance"   // is less than unity  do {    x = 2.0 * rand() / static_cast<double>(RAND_MAX)-1;    y = 2.0 * rand() / static_cast<double>(RAND_MAX)-1;    euclid_sq = x*x + y*y;  } while (euclid_sq >= 1.0);  return x*sqrt(-2*log(euclid_sq)/euclid_sq);}// Pricing a European vanilla call option with a Monte Carlo methoddouble monte_carlo_call_price(const int& num_sims, const double& S, const double& K, const double& r, const double& v, const double& T) {  double S_adjust = S * exp(T*(r-0.5*v*v));  double S_cur = 0.0;  double payoff_sum = 0.0;  for (int i=0; i<num_sims; i++) {    double gauss_bm = gaussian_box_muller();    S_cur = S_adjust * exp(sqrt(v*v*T)*gauss_bm);    payoff_sum += std::max(S_cur - K, 0.0);  }  return (payoff_sum / static_cast<double>(num_sims)) * exp(-r*T);}}我所做的更改似乎使代碼的運行時間增加了一秒鐘，但是我不確定要更改哪些內(nèi)容以停止管道而不添加代碼。指向正確方向的指示非常棒，我感謝您的任何答復(fù)。