優化器優化編譯器，然後優化後的編譯器又重新編譯優化器，一直循環達到最優？

01-03

可能存在下面的情況嗎：問題1如題，問題2是用優化器優化優化器的代碼，一直循環，使優化器的性能達到最優？

題主提了兩個問題：

問題1：優化器優化編譯器，然後優化後的編譯器又重新編譯優化器，一直循環達到最優？
問題2：用優化器優化優化器的代碼，一直循環，使優化器的性能達到最優？

如果不從題主提的兩個問題的角度，而是換個角度來回答的話，或許說得更清楚一些。

編譯器C的任務是把程序A翻譯為等價形式的程序A"。

A與A"的表現形式可能不一樣，例如常見的情況是A可能是某種編程語言的源碼，而A"可能是某種機器的機器碼；但也可能相似或者乾脆一樣，A與A"都是某種編程語言的源碼（所謂「源碼到源碼的編譯器」）。

但是A與A"的語義必須要維持一致，也就是說運行它們所得到的結果必須是一樣的，無論編譯器C是否做優化。

假如按題主字面上所表達的思路，我們有編譯器C，它可以對其編譯的程序做固定的優化，那麼

用C編譯自身的源碼得到C"，C"可能比C跑得快一些，但是C與C"再去編譯別的程序所得到的編譯結果肯定是一樣的；
再用C"編譯自身的源碼得到C""，其實C"跟C""就會是一模一樣的。這已經達到fixed point了。

但還有另一種情況，或許更接近題主原本想像的東西：

假如我們有一個編譯器裡面帶有一個優化器，這個優化器可以自我學習（machine learning啥的）去調整自己的優化策略，然後讓它不斷去編譯優化一些固定的樣本程序，運行編譯生成的程序並收集其性能信息，然後再反饋給優化器去讓它選擇更好的方式去優化，這種做法是可以有的。

斷斷續續都有人在出這方面的論文，隨便搜搜就可以看到：

Meta Optimization: Improving Compiler Heuristics with Machine Learning
Machine Learning for Compiler Optimization
Machine Learning Algorithms for Choosing Compiler Heuristics
Adapting Convergent Scheduling Using Machine-Learning
Automating the Construction of Compiler Heuristics Using Machine Learning
…

但是目前來說在實際項目中這種做法是否實用還…不好說 =_=

問題是並不存在最優化.

很多優化問題是NP問題.

即使是P問題，也不一定總是產生更優化的代碼.

所以理想很好現實卻很骨感

哪就不叫編譯優化了，叫「代碼進化」，代碼能夠自我學習和進化，每一次優化都是一次進化，解決比以前更複雜的問題，軟體不僅有了智能，代碼還能自我繁殖，它把自己吃掉就能繁殖出下一代呀，人類創造了make，make創造萬物，好闊怕，不遠的將來，第N代優化器看見愚蠢的人類心生不爽，想make幾代新新人類耍耍，也是有可能的呀，都別攔我，我要回火星去，地球太危險了

優化後的編譯器編譯的程序不還是原來的程序么_(:з)∠)_，難道好的編譯器會編譯出更好的程序？

你這個想法是沒法收斂的。

你們的出發點是一致的

問題是你優化的是速度而不是行為，所以理論上你只是用同一套邏輯不斷的優化編譯器，然而這並沒什麼卵用…

編譯的優化只是對運算過程的優化，並不會對程序輸出有影響。也就是說，同一份代碼S，O1優化編譯出的程序P1和O3優化編譯出的程序P3，在輸入I相同時，都會得到同樣的輸出O。（否則就找到了編譯器的bug）。

當S是編譯器的源碼，P是編譯器時也是一樣的。上面對應的I就是編譯器P需要編譯的源碼，O就是編譯器輸出的可執行文件，不管是編譯器P1還是編譯器P3，可執行文件O都應該是一樣的，只不過P1和P3的編譯得到O的速度有差別。

所以輸出的O是一模一樣的。即O不會因為前面的優化而變的更高。如果對應到題目里的，O也是一個編譯器，那麼這個編譯器同樣並不會比之前的更好。

我的理解是：優化的編譯器編譯優化器，只能使優化器運行效率更高，並不能/應該使優化器的結果輸出有任何改變。即用優化的編譯器編譯過的優化器去優化編譯器，跟之前的優化器優化編譯器，結果是一樣的。

感覺這應該是發散的吧

沒有人參與的演算法改進，只有生成的機器碼更緊湊、高效，進步不會很大

優化的是速度不是演算法，不要搞錯了。