在尝试优化有限差分代码所必需的未对齐读取时，我更改了未对齐负载，如下所示：
__m128 pm1 =_mm_loadu_ps(&H[k-1]);
进入对齐的读取+随机代码：
__m128 p0 =_mm_load_ps(&H[k]);
__m128 pm4 =_mm_load_ps(&H[k-4]);
__m128 pm1 =_mm_shuffle_ps(p0,p0,0x90); // move 3 floats to higher positions
__m128 tpm1 =_mm_shuffle_ps(pm4,pm4,0x03); // get missing lowest float
pm1 =_mm_move_ss(pm1,tpm1); // pack lowest float with 3 others
其中
H是16个字节对齐的；并且H[k+1]，H[k±3]和movlhps和movhlps优化对于H[k±2]（here是循环的完整代码）也有类似的变化。我发现在Core i7-930上读取
H[k±3]的优化似乎很有效，而为±1添加下一个优化则减慢了循环速度（以百分比为单位）。在±1和±3优化之间切换不会改变结果。同时，在Core 2 Duo 6300和Core 2 Quad上，同时启用优化（针对
±1和±3）都提高了性能（提高了百分之几十），而对于Core i7-4765T而言，这两种性能都降低了性能（降低了百分比单位）。在奔腾4上，所有尝试优化未对齐读取的尝试，包括那些使用
movlhps / movhlps的读取都会导致速度降低。为什么对于不同的CPU如此不同？是否因为代码大小增加而导致循环可能不适合某些指令缓存？还是因为某些CPU对读取错误对齐不敏感，而另一些CPU敏感得多？也许在某些CPU上，诸如随机播放之类的动作很慢？
最佳答案
英特尔每两年推出一次新的微体系结构。执行单元的数量可以改变，以前只能在一个执行单元中执行的指令在较新的处理器中可能有2或3个可用。指令的等待时间可能会发生变化，就像添加shuffle执行单元时一样。
英特尔在其《优化参考手册》中提供了一些详细信息，这是链接，下面已复制了相关章节。
http://www.intel.com/content/dam/www/public/us/en/documents/manuals/64-ia-32-architectures-optimization-manual.pdf
第3.5.2.7节浮点/ SIMD操作数
来自存储器的MOVUPD指令执行两个64位加载，但是需要额外的μop来调整地址并将这些加载合并到一个寄存器中。使用MOVSD XMMREG1，MEM可以获得相同的功能； MOVSD XMMREG2，MEM + 8； UNPCKLPD XMMREG1，XMMREG2，它使用较少的μop，并且可以更有效地打包到跟踪缓存中。已经发现，在某些情况下，后者可以提供百分之几的性能改进。它的编码需要更多的指令字节，但是对于Pentium 4处理器来说很少有问题。 MOVUPD的存储版本非常复杂且运行缓慢，以至于必须始终使用带有两个MOVSD和一个UNPCKHPD的序列。
汇编/编译器编码规则44。（ML影响，L通用性）对于未对齐的128位负载，不要使用MOVUPD XMMREG1，MEM，而应使用MOVSD XMMREG1，MEM。 MOVSD XMMREG2，MEM + 8； UNPCKLPD XMMREG1，XMMREG2。如果附加寄存器不可用，则使用MOVSD XMMREG1，MEM； MOVHPD XMMREG1，MEM + 8。
汇编/编译器编码规则45。（M影响，ML通用性）代替将MOVUPD MEM，XMMREG1用于存储，请使用MOVSD MEM，XMMREG1； UNPCKHPD XMMREG1，XMMREG1; MOVSD MEM + 8，改为XMMREG1。
第6.5.1.2节数据混乱
从SoA到AoS格式的大量数据可以应用于许多应用程序域，包括3D几何，视频和图像。可以采用两种不同的模糊处理技术来处理浮点数据和整数数据。例6-3说明了使用SHUFPS，MOVLHPS，MOVHLPS指令的Swizzle函数。
例6-3中的技术（使用SHUFPS加载16个字节并复制XMM寄存器的一半）比在较新的微体系结构上使用MOVLPS / MOVHPS加载每个向量的一半的替代方法更可取。这是因为使用MOVLPS / MOVHPS加载8个字节会产生代码依赖性并降低执行引擎的吞吐量。例6-3和例6-4的性能考虑通常取决于每个微体系结构的特性。例如，在Intel Core微体系结构中，执行SHUFPS的速度往往比PUNPCKxxx指令的速度慢。在增强型英特尔®酷睿™微体系结构中，由于具有128位随机播放执行单元，SHUFPS和PUNPCKxxx指令均以1个周期的吞吐量执行。那么下一个重要的考虑因素是，只有一个端口可以执行PUNPCKxxx，而MOVLHPS / MOVHLPS可以在多个端口上执行。由于有3个用于执行SIMD指令的端口，因此两种技术的性能在Intel Core微体系结构上均比以前的微体系结构有所改善。由于采用了128位混洗单元，因此这两种技术在增强型Intel Core微体系结构上均得到了进一步改进。