performance - 自動ベクトル化コンパイラーが LLVM に組み込みの飽和演算を発行するのを助ける方法はありますか?

Question

飽和算術演算を行う for ループがいくつかあります。例えば：

私の場合の飽和加算の実装は次のとおりです。

    static void addsat(Vector &R, Vector &A, Vector &B)
    {
        int32_t a, b, r;
        int32_t max_add;
        int32_t min_add;


        const int32_t SAT_VALUE = (1<<(16-1))-1;
        const int32_t SAT_VALUE2 = (-SAT_VALUE - 1);
        const int32_t sat_cond = (SAT_VALUE <=  0x7fffffff);
        const uint32_t SAT = 0xffffffff >> 16;

        for (int i=0; i<R.length; i++)
        { 

            a = static_cast<uint32_t>(A.data[i]);
            b = static_cast<uint32_t>(B.data[i]);

            max_add = (int32_t)0x7fffffff - a;
            min_add = (int32_t)0x80000000 - a;

            r = (a>0 && b>max_add) ?  0x7fffffff : a + b;
            r = (a<0 && b<min_add) ?  0x80000000 : a + b;


            if ( sat_cond == 1)
            {
                std_max(r,r,SAT_VALUE2);
                std_min(r,r,SAT_VALUE);
            }
            else
            {
                r = static_cast<uint16_t> (static_cast<int32_t> (r));

            }


 R.data[i] = static_cast<uint16_t>(r);
    }
    }

x86 には、このループの完璧な解決策となる可能性のある組み込みの paddsat があることがわかりました。コードは自動ベクトル化されますが、コードに従って複数の操作を組み合わせています。自動ベクトライザーがaddsat操作の一致を正しく検出するこのループを記述する最良の方法を知りたいです。

ベクトル構造は次のとおりです。

struct V {
  static constexpr int length = 32;
  unsigned short data[32];
};

使用するコンパイラは clang 3.8 で、コードは AVX2 Haswell x86-64 アーキテクチャ用にコンパイルされています。