具体来说，如果我有一系列if...else if语句，我不知何故事先知道每个语句计算为true的相对概率，按概率顺序对它们进行排序在执行时间上有多大差异？例如，我应该更喜欢这个：

if (highly_likely)
//do something
else if (somewhat_likely)
//do something
else if (unlikely)
//do something

对此？

if (unlikely)
//do something
else if (somewhat_likely)
//do something
else if (highly_likely)
//do something

很明显，排序版本会更快，但是为了可读性或副作用的存在，我们可能希望对它们进行非最佳排序。在实际运行代码之前，也很难判断 CPU 在分支预测方面的表现如何。

因此，在尝试的过程中，我最终回答了我自己的特定案例的问题，但是我也想听听其他意见/见解。

重要提示：此问题假定if语句可以任意重新排序，而不会对程序的行为产生任何其他影响。在我的回答中，这三个条件测试是相互排斥的，不会产生副作用。当然，如果必须按一定的顺序评估语句以实现某些期望的行为，那么效率问题就没有意义了。

作为一般规则，大多数(如果不是全部)英特尔 CPU 假定它们在第一次看到它们时不会采用转发分支。参见戈博尔特的作品。

之后，分支进入分支预测缓存，过去的行为用于通知未来的分支预测。

因此，在紧密循环中，错误排序的影响将相对较小。分支预测器将学习哪组分支最有可能，如果你在循环中有不平凡的工作量，那么微小的差异加起来不会太大。

在一般代码中，默认情况下，大多数编译器(缺少其他原因)将大致按照您在代码中排序的方式对生成的机器代码进行排序。因此，如果语句失败时是转发分支。

因此，您应该按可能性递减的顺序对分支进行排序，以便从"第一次遇到"中获得最佳分支预测。

一个在一组条件下紧密循环多次并完成琐碎工作的微基准测试将受到指令计数等微小影响的支配，而相对分支预测问题的方式很少。因此，在这种情况下，您必须进行剖析，因为经验法则不可靠。

最重要的是，矢量化和许多其他优化适用于微小的紧密循环。

因此，在一般代码中，将最有可能的代码放在if块中，这将导致最少的未缓存分支预测未命中。在紧密循环中，遵循一般规则开始，如果您需要了解更多，您别无选择，只能进行剖析。

当然，如果某些测试比其他测试便宜得多，那么这一切都会消失。

我编造了以下测试来计时两个不同if的执行时间......else if块，一个按概率顺序排序，另一个按相反顺序排序：

#include <chrono>
#include <iostream>
#include <random>
#include <algorithm>
#include <iterator>
#include <functional>
using namespace std;
int main()
{
long long sortedTime = 0;
long long reverseTime = 0;
for (int n = 0; n != 500; ++n)
{
//Generate a vector of 5000 random integers from 1 to 100
random_device rnd_device;
mt19937 rnd_engine(rnd_device());
uniform_int_distribution<int> rnd_dist(1, 100);
auto gen = std::bind(rnd_dist, rnd_engine);
vector<int> rand_vec(5000);
generate(begin(rand_vec), end(rand_vec), gen);
volatile int nLow, nMid, nHigh;
chrono::time_point<chrono::high_resolution_clock> start, end;
//Sort the conditional statements in order of increasing likelyhood
nLow = nMid = nHigh = 0;
start = chrono::high_resolution_clock::now();
for (int& i : rand_vec) {
if (i >= 95) ++nHigh;               //Least likely branch
else if (i < 20) ++nLow;
else if (i >= 20 && i < 95) ++nMid; //Most likely branch
}
end = chrono::high_resolution_clock::now();
reverseTime += chrono::duration_cast<chrono::nanoseconds>(end-start).count();
//Sort the conditional statements in order of decreasing likelyhood
nLow = nMid = nHigh = 0;
start = chrono::high_resolution_clock::now();
for (int& i : rand_vec) {
if (i >= 20 && i < 95) ++nMid;  //Most likely branch
else if (i < 20) ++nLow;
else if (i >= 95) ++nHigh;      //Least likely branch
}
end = chrono::high_resolution_clock::now();
sortedTime += chrono::duration_cast<chrono::nanoseconds>(end-start).count();
}
cout << "Percentage difference: " << 100 * (double(reverseTime) - double(sortedTime)) / double(sortedTime) << endl << endl;
}

将MSVC2017与/O2 结合使用，结果表明排序版本始终比未排序版本快约 28%。根据luk32的评论，我还切换了两个测试的顺序，这产生了明显的差异(22%对28%)。该代码在 Windows 7 下运行在英特尔至强 E5-2697 v2 上。当然，这是非常针对具体问题的，不应被解释为一个决定性的答案。

只有我的 5 美分。似乎排序的效果 if 语句应该取决于：

每个 if 语句的概率。
迭代次数，以便分支预测器可以启动。
可能/不太可能的编译器提示，即代码布局。

为了探索这些因素，我对以下函数进行了基准测试：

ordered_ifs()

for (i = 0; i < data_sz * 1024; i++) {
if (data[i] < check_point) // highly likely
s += 3;
else if (data[i] > check_point) // samewhat likely
s += 2;
else if (data[i] == check_point) // very unlikely
s += 1;
}

reversed_ifs()

for (i = 0; i < data_sz * 1024; i++) {
if (data[i] == check_point) // very unlikely
s += 1;
else if (data[i] > check_point) // samewhat likely
s += 2;
else if (data[i] < check_point) // highly likely
s += 3;
}

ordered_ifs_with_hints()

for (i = 0; i < data_sz * 1024; i++) {
if (likely(data[i] < check_point)) // highly likely
s += 3;
else if (data[i] > check_point) // samewhat likely
s += 2;
else if (unlikely(data[i] == check_point)) // very unlikely
s += 1;
}

reversed_ifs_with_hints()

for (i = 0; i < data_sz * 1024; i++) {
if (unlikely(data[i] == check_point)) // very unlikely
s += 1;
else if (data[i] > check_point) // samewhat likely
s += 2;
else if (likely(data[i] < check_point)) // highly likely
s += 3;
}

数据

数据数组包含介于 0 和 100 之间的随机数：

const int RANGE_MAX = 100;
uint8_t data[DATA_MAX * 1024];
static void data_init(int data_sz)
{
int i;
srand(0);
for (i = 0; i < data_sz * 1024; i++)
data[i] = rand() % RANGE_MAX;
}

结果

以下结果适用于英特尔 i5@3,2 GHz 和 G++ 6.3.0。第一个参数是check_point(即极有可能的 if 语句的概率为 %%)，第二个参数是 data_sz(即迭代次数)。

---------------------------------------------------------------------
Benchmark                              Time           CPU Iterations
---------------------------------------------------------------------
ordered_ifs/50/4                    4660 ns       4658 ns     150948
ordered_ifs/50/8                   25636 ns      25635 ns      27852
ordered_ifs/75/4                    4326 ns       4325 ns     162613
ordered_ifs/75/8                   18242 ns      18242 ns      37931
ordered_ifs/100/4                   1673 ns       1673 ns     417073
ordered_ifs/100/8                   3381 ns       3381 ns     207612
reversed_ifs/50/4                   5342 ns       5341 ns     126800
reversed_ifs/50/8                  26050 ns      26050 ns      26894
reversed_ifs/75/4                   3616 ns       3616 ns     193130
reversed_ifs/75/8                  15697 ns      15696 ns      44618
reversed_ifs/100/4                  3738 ns       3738 ns     188087
reversed_ifs/100/8                  7476 ns       7476 ns      93752
ordered_ifs_with_hints/50/4         5551 ns       5551 ns     125160
ordered_ifs_with_hints/50/8        23191 ns      23190 ns      30028
ordered_ifs_with_hints/75/4         3165 ns       3165 ns     218492
ordered_ifs_with_hints/75/8        13785 ns      13785 ns      50574
ordered_ifs_with_hints/100/4        1575 ns       1575 ns     437687
ordered_ifs_with_hints/100/8        3130 ns       3130 ns     221205
reversed_ifs_with_hints/50/4        6573 ns       6572 ns     105629
reversed_ifs_with_hints/50/8       27351 ns      27351 ns      25568
reversed_ifs_with_hints/75/4        3537 ns       3537 ns     197470
reversed_ifs_with_hints/75/8       16130 ns      16130 ns      43279
reversed_ifs_with_hints/100/4       3737 ns       3737 ns     187583
reversed_ifs_with_hints/100/8       7446 ns       7446 ns      93782

分析

1. 排序很重要

对于 4K 迭代和(几乎)100% 的极赞语句概率，差异是巨大的 223%：

---------------------------------------------------------------------
Benchmark                              Time           CPU Iterations
---------------------------------------------------------------------
ordered_ifs/100/4                   1673 ns       1673 ns     417073
reversed_ifs/100/4                  3738 ns       3738 ns     188087

对于 4K 迭代和 50% 的极点赞语句概率，差异约为 14%：

---------------------------------------------------------------------
Benchmark                              Time           CPU Iterations
---------------------------------------------------------------------
ordered_ifs/50/4                    4660 ns       4658 ns     150948
reversed_ifs/50/4                   5342 ns       5341 ns     126800

2. 迭代次数很重要

对于(几乎)100% 高度喜欢的语句概率，4K 和 8K 迭代之间的差异大约是两倍(如预期的那样)：

---------------------------------------------------------------------
Benchmark                              Time           CPU Iterations
---------------------------------------------------------------------
ordered_ifs/100/4                   1673 ns       1673 ns     417073
ordered_ifs/100/8                   3381 ns       3381 ns     207612

但是 4K 和 8K 迭代之间 50% 高度喜欢语句概率的差异是 5,5 倍：

---------------------------------------------------------------------
Benchmark                              Time           CPU Iterations
---------------------------------------------------------------------
ordered_ifs/50/4                    4660 ns       4658 ns     150948
ordered_ifs/50/8                   25636 ns      25635 ns      27852

为什么会这样？由于分支预测器未命中。以下是上述每种情况的分支未命中：

ordered_ifs/100/4    0.01% of branch-misses
ordered_ifs/100/8    0.01% of branch-misses
ordered_ifs/50/4     3.18% of branch-misses
ordered_ifs/50/8     15.22% of branch-misses

因此，在我的 i5 上，分支预测器对于不太可能的分支和大型数据集非常失败。

3. 提示有点帮助

对于 4K 迭代，50% 概率的结果稍差，接近 100% 概率的结果稍好一些：

---------------------------------------------------------------------
Benchmark                              Time           CPU Iterations
---------------------------------------------------------------------
ordered_ifs/50/4                    4660 ns       4658 ns     150948
ordered_ifs/100/4                   1673 ns       1673 ns     417073
ordered_ifs_with_hints/50/4         5551 ns       5551 ns     125160
ordered_ifs_with_hints/100/4        1575 ns       1575 ns     437687

但是对于8K迭代，结果总是好一点：

---------------------------------------------------------------------
Benchmark                              Time           CPU Iterations
---------------------------------------------------------------------
ordered_ifs/50/8                   25636 ns      25635 ns      27852
ordered_ifs/100/8                   3381 ns       3381 ns     207612
ordered_ifs_with_hints/50/8        23191 ns      23190 ns      30028
ordered_ifs_with_hints/100/8        3130 ns       3130 ns     221205

因此，提示也有帮助，但只是一点点。

总体结论是：始终对代码进行基准测试，因为结果可能会令人惊讶。

希望有帮助。

不，除非您确实确定目标系统受到影响，否则您不应该这样做。默认情况下，按可读性进行。

我非常怀疑你的结果。我已经对您的示例进行了一些修改，因此反向执行更容易。Ideone相当一致地表明反向顺序更快，尽管不多。在某些运行中，甚至偶尔会翻转。我会说结果尚无定论。Coliru也没有报告真正的区别。我稍后可以在我的 odroid xu4 上检查 Exynos5422 CPU。

问题是现代 CPU 具有分支预测器。有很多逻辑专门用于预获取数据和指令，而现代x86 CPU在这方面相当聪明。一些更纤薄的架构(如 ARM 或 GPU)可能容易受到此影响。但它确实高度依赖于编译器和目标系统。

我会说分支排序优化是非常脆弱和短暂的。只做一些真正的微调步骤。

法典：

#include <chrono>
#include <iostream>
#include <random>
#include <algorithm>
#include <iterator>
#include <functional>
using namespace std;
int main()
{
//Generate a vector of random integers from 1 to 100
random_device rnd_device;
mt19937 rnd_engine(rnd_device());
uniform_int_distribution<int> rnd_dist(1, 100);
auto gen = std::bind(rnd_dist, rnd_engine);
vector<int> rand_vec(5000);
generate(begin(rand_vec), end(rand_vec), gen);
volatile int nLow, nMid, nHigh;
//Count the number of values in each of three different ranges
//Run the test a few times
for (int n = 0; n != 10; ++n) {
//Run the test again, but now sort the conditional statements in reverse-order of likelyhood
{
nLow = nMid = nHigh = 0;
auto start = chrono::high_resolution_clock::now();
for (int& i : rand_vec) {
if (i >= 95) ++nHigh;               //Least likely branch
else if (i < 20) ++nLow;
else if (i >= 20 && i < 95) ++nMid; //Most likely branch
}
auto end = chrono::high_resolution_clock::now();
cout << "Reverse-sorted: t" << chrono::duration_cast<chrono::nanoseconds>(end-start).count() << "ns" << endl;
}
{
//Sort the conditional statements in order of likelyhood
nLow = nMid = nHigh = 0;
auto start = chrono::high_resolution_clock::now();
for (int& i : rand_vec) {
if (i >= 20 && i < 95) ++nMid;  //Most likely branch
else if (i < 20) ++nLow;
else if (i >= 95) ++nHigh;      //Least likely branch
}
auto end = chrono::high_resolution_clock::now();
cout << "Sorted:ttt" << chrono::duration_cast<chrono::nanoseconds>(end-start).count() << "ns" << endl;
}
cout << endl;
}
}

根据这里的其他一些答案，看起来唯一真正的答案是：这取决于。它至少取决于以下内容(尽管不一定按此重要性顺序)：

每个分支的相对概率。这是最初提出的问题。根据现有的答案，似乎有一些条件，按概率排序会有所帮助，但情况似乎并非总是如此。如果相对概率不是很大不同，那么它们的顺序就不太可能有任何差异。但是，如果第一个条件在 99.999% 的时间内发生，而下一个条件只是剩余条件的一小部分，那么我认为将最有可能的条件放在第一位在时间方面是有益的。
计算每个分支的真/假条件的成本。如果一个分支与另一个分支相比，测试条件的时间成本确实很高，那么这可能会对时间和效率产生重大影响。例如，考虑一个需要 1 个时间单位来计算的条件(例如，检查布尔变量的状态)与另一个需要数十、数百、数千甚至数百万个时间单位来计算的条件(例如，检查磁盘上文件的内容或对大型数据库执行复杂的 SQL 查询)。假设代码每次都按顺序检查条件，则较快的条件可能应该是第一个(除非它们依赖于其他条件首先失败)。
编译器/解释器某些编译器(或解释器)可能包含一种可能影响性能的另一种优化(其中一些仅在编译和/或执行期间选择某些选项时才存在)。因此，除非您使用完全相同的编译器在同一系统上对两个编译和执行其他相同的代码进行基准测试，其中唯一的区别是相关分支的顺序，否则您将不得不为编译器变体留出一些余地。
操作系统/硬件正如luk32和Yakk所提到的，各种CPU都有自己的优化(操作系统也是如此)。因此，基准在这里再次容易受到变化的影响。
代码块执行的频率如果包含分支的块很少被访问(例如，在启动期间只访问一次)，那么放置分支的顺序可能无关紧要。另一方面，如果您的代码在代码的关键部分敲打此代码块，那么排序可能很重要(取决于基准)。

确定的唯一方法是对您的特定案例进行基准测试，最好是在与最终运行代码的预期系统相同(或非常相似)的系统上。如果它打算在一组具有不同硬件、操作系统等的不同系统上运行，那么最好跨多个变体进行基准测试，看看哪个是最好的。在一种类型的系统上使用一种排序和在另一种类型的系统上使用另一种排序来编译代码甚至可能是一个好主意。

我个人的经验法则(在大多数情况下，在没有基准的情况下)是根据以下条件进行排序：

依赖于先验条件结果的条件，
计算条件的成本，然后
每个分支的相对概率。

我通常看到的高性能代码的解决方法是保持最易读的顺序，但向编译器提供提示。以下是来自 Linux 内核的一个例子：

if (likely(access_ok(VERIFY_READ, from, n))) {
kasan_check_write(to, n);
res = raw_copy_from_user(to, from, n);
}
if (unlikely(res))
memset(to + (n - res), 0, res);

这里的假设是访问检查将通过，并且res中不返回任何错误。尝试对其中任何一个 if 子句重新排序只会混淆代码，但likely()宏和unlikely()宏实际上通过指出什么是正常情况和什么是例外来帮助提高可读性。

这些宏的 Linux 实现使用 GCC 特定的功能。似乎 clang 和 Intel C 编译器支持相同的语法，但 MSVC 没有这样的功能。

还取决于您的编译器和要编译的平台。

从理论上讲，最可能的条件应该是使控制跳跃尽可能少。

通常，最可能的情况应该是首先：

if (most_likely) {
// most likely instructions
} else …

最流行的asm基于条件分支，当条件为真时跳转。该 C 代码可能会被转换为这样的伪 asm：

jump to ELSE if not(most_likely)
// most likely instructions
jump to end
ELSE:
…

这是因为跳转使 CPU 取消执行管道并停止，因为程序计数器发生了变化(对于支持非常常见的管道的体系结构)。然后是关于编译器的，编译器可能会也可能不会应用一些复杂的优化，以具有统计上最有可能的条件来减少控件的跳跃。

我决定使用 Lik32 代码在我自己的机器上重新运行测试。由于我的窗口或编译器认为高分辨率是 1ms，我不得不更改它，使用

mingw32-g++.exe -O3 -Wall -std=c++11 -fexceptions-g

vector<int> rand_vec(10000000);

GCC 对两个原始代码进行了相同的转换。

请注意，只测试前两个条件，因为第三个条件必须始终为真，GCC 在这里是一种夏洛克。

反向

.L233:
mov     DWORD PTR [rsp+104], 0
mov     DWORD PTR [rsp+100], 0
mov     DWORD PTR [rsp+96], 0
call    std::chrono::_V2::system_clock::now()
mov     rbp, rax
mov     rax, QWORD PTR [rsp+8]
jmp     .L219
.L293:
mov     edx, DWORD PTR [rsp+104]
add     edx, 1
mov     DWORD PTR [rsp+104], edx
.L217:
add     rax, 4
cmp     r14, rax
je      .L292
.L219:
mov     edx, DWORD PTR [rax]
cmp     edx, 94
jg      .L293 // >= 95
cmp     edx, 19
jg      .L218 // >= 20
mov     edx, DWORD PTR [rsp+96]
add     rax, 4
add     edx, 1 // < 20 Sherlock
mov     DWORD PTR [rsp+96], edx
cmp     r14, rax
jne     .L219
.L292:
call    std::chrono::_V2::system_clock::now()
.L218: // further down
mov     edx, DWORD PTR [rsp+100]
add     edx, 1
mov     DWORD PTR [rsp+100], edx
jmp     .L217
And sorted
mov     DWORD PTR [rsp+104], 0
mov     DWORD PTR [rsp+100], 0
mov     DWORD PTR [rsp+96], 0
call    std::chrono::_V2::system_clock::now()
mov     rbp, rax
mov     rax, QWORD PTR [rsp+8]
jmp     .L226
.L296:
mov     edx, DWORD PTR [rsp+100]
add     edx, 1
mov     DWORD PTR [rsp+100], edx
.L224:
add     rax, 4
cmp     r14, rax
je      .L295
.L226:
mov     edx, DWORD PTR [rax]
lea     ecx, [rdx-20]
cmp     ecx, 74
jbe     .L296
cmp     edx, 19
jle     .L297
mov     edx, DWORD PTR [rsp+104]
add     rax, 4
add     edx, 1
mov     DWORD PTR [rsp+104], edx
cmp     r14, rax
jne     .L226
.L295:
call    std::chrono::_V2::system_clock::now()
.L297: // further down
mov     edx, DWORD PTR [rsp+96]
add     edx, 1
mov     DWORD PTR [rsp+96], edx
jmp     .L224

所以这并没有告诉我们太多，除了最后一个案例不需要分支预测。

现在我尝试了 if 的所有 6 种组合，前 2 种是原始的反向和排序。高为>= 95，最低为 <20，中为 20-94，每次迭代 10000000 次。

high, low, mid: 43000000ns
mid, low, high: 46000000ns
high, mid, low: 45000000ns
low, mid, high: 44000000ns
mid, high, low: 46000000ns
low, high, mid: 44000000ns
high, low, mid: 44000000ns
mid, low, high: 47000000ns
high, mid, low: 44000000ns
low, mid, high: 45000000ns
mid, high, low: 46000000ns
low, high, mid: 45000000ns
high, low, mid: 43000000ns
mid, low, high: 47000000ns
high, mid, low: 44000000ns
low, mid, high: 45000000ns
mid, high, low: 46000000ns
low, high, mid: 44000000ns
high, low, mid: 42000000ns
mid, low, high: 46000000ns
high, mid, low: 46000000ns
low, mid, high: 45000000ns
mid, high, low: 46000000ns
low, high, mid: 43000000ns
high, low, mid: 43000000ns
mid, low, high: 47000000ns
high, mid, low: 44000000ns
low, mid, high: 44000000ns
mid, high, low: 46000000ns
low, high, mid: 44000000ns
high, low, mid: 43000000ns
mid, low, high: 48000000ns
high, mid, low: 44000000ns
low, mid, high: 44000000ns
mid, high, low: 45000000ns
low, high, mid: 45000000ns
high, low, mid: 43000000ns
mid, low, high: 47000000ns
high, mid, low: 45000000ns
low, mid, high: 45000000ns
mid, high, low: 46000000ns
low, high, mid: 44000000ns
high, low, mid: 43000000ns
mid, low, high: 47000000ns
high, mid, low: 45000000ns
low, mid, high: 45000000ns
mid, high, low: 46000000ns
low, high, mid: 44000000ns
high, low, mid: 43000000ns
mid, low, high: 46000000ns
high, mid, low: 45000000ns
low, mid, high: 45000000ns
mid, high, low: 45000000ns
low, high, mid: 44000000ns
high, low, mid: 42000000ns
mid, low, high: 46000000ns
high, mid, low: 44000000ns
low, mid, high: 45000000ns
mid, high, low: 45000000ns
low, high, mid: 44000000ns
1900020, 7498968, 601012
Process returned 0 (0x0)   execution time : 2.899 s
Press any key to continue.

那么为什么订单高，低，中间然后更快(略有)

因为最不可预测的是最后一个，因此永远不会通过分支预测器运行。

if (i >= 95) ++nHigh;               // most predictable with 94% taken
else if (i < 20) ++nLow; // (94-19)/94% taken ~80% taken
else if (i >= 20 && i < 95) ++nMid; // never taken as this is the remainder of the outfalls.

因此，将预测分支被取走，取走和其余部分

6%+(0.94*)20% 错误预测。

"已排序">

if (i >= 20 && i < 95) ++nMid;  // 75% not taken
else if (i < 20) ++nLow;        // 19/25 76% not taken
else if (i >= 95) ++nHigh;      //Least likely branch

树枝将被预测为未采取，未采取和夏洛克。

25%+(0.75*)24% 错误预测

给出 18-23% 的差异(测量差异为 ~9%)，但我们需要计算周期而不是错误预测 %。

假设我的 Nehalem CPU 上有 17 个周期错误预测了惩罚，并且每次检查需要 1 个周期才能发出(4-5 条指令)，循环也需要一个周期。数据依赖关系是计数器和循环变量，但一旦错误预测消失，它就不应该影响计时。

因此，对于"反向"，我们得到了时间(这应该是计算机体系结构：定量方法IIRC中使用的公式)。

mispredict*penalty+count+loop
0.06*17+1+1+    (=3.02)
(propability)*(first check+mispredict*penalty+count+loop)
(0.19)*(1+0.20*17+1+1)+  (= 0.19*6.4=1.22)
(propability)*(first check+second check+count+loop)
(0.75)*(1+1+1+1) (=3)
= 7.24 cycles per iteration

"排序"也是如此

0.25*17+1+1+ (=6.25)
(1-0.75)*(1+0.24*17+1+1)+ (=.25*7.08=1.77)
(1-0.75-0.19)*(1+1+1+1)  (= 0.06*4=0.24)
= 8.26

(8.26-7.24)/8.26 = 13.8% 与测量值的 ~9%(接近测量值?!)。

所以OP的明显性并不明显。

通过这些测试，具有更复杂代码或更多数据依赖项的其他测试肯定会有所不同，因此请测量您的情况。

更改测试顺序会更改结果，但这可能是因为循环开始的对齐方式不同，理想情况下，在所有较新的英特尔 CPU 上应对齐 16 个字节，但在这种情况下并非如此。

按照你喜欢的任何逻辑顺序排列它们。当然，分支可能会更慢，但分支不应该是您的计算机正在执行的大部分工作。

如果您正在处理代码的性能关键部分，那么当然使用逻辑顺序、配置文件引导优化和其他技术，但对于一般代码，我认为它实际上更像是一种风格选择。

如果您已经知道 if-else 语句的相对概率，那么出于性能目的，最好使用排序方式，因为它只会检查一个条件(真实条件)。

以未排序的方式，编译器将不必要地检查所有条件，并且需要时间。

如果订购有什么影响..否则如果按概率陈述