活跃变量分析是数据流分析的另一个重要问题。简而言之，活跃变量分析的目的就是求出各基本块出口之后的活跃变量集。前面，已经详细讲述了有关活跃变量分析的基本思想及相关理论。在本小节中，将关注活跃变量分析算法的设计与实现。

事实上，活跃变量分析算法就是利用数据流方程求解的过程。在例7-1中，应用迭代方式手工求解活跃变量的过程就是算法设计的基础。读者不妨再次参阅例7-1详细的求解过程，可能更有助于理解算法设计的思想。

先来谈谈活跃变量分析的相关数据结构。由于算法的数据结构较少且比较简单，故笔者并没有为其单独设置章节。在活跃变量分析中，主要涉及四个基于基本块的集合，即in、out、def、use。为了节省空间且便于实现，通常使用位向量来描述这四个集合。在Neo Pascal中，它们是隶属于CBasicBlock类的，具体声明形式如下：

【声明7-8】

其中，Def、Use位向量是由先前的Def_Use_Analysis函数分析得到的，因此，这里就不必关注了。而本小节的目标就是基于流图计算InSet、OutSet位向量。下面，就来看看详细的算法实现。

程序7-5 DataFlowAnalysis.cpp

第4行：获取当前过程的基本块信息。

第7～15行：初始化各基本块的InSet、OutSet位向量为空集。

第16～36行：bChange为迭代结束的标志。在这个算法中，迭代结束的条件就是前后两次迭代的过程中，各基本块的InSet位向量都没有发生变化。实际上，这种情况表示迭代已经进入了稳定状态，而这个稳定状态就是所需要的最终结果，因此，就没有继续迭代的意义了。(www.daowen.com)

第18行：进入一次求解过程之前，重置bChange标志。若求解过程中没有改变bChange标志，则表示当前状态已稳定，迭代即可终止。

第19～35行：遍历各基本块，依次计算各基本块的InSet、OutSet。

第22～26行：计算当前基本块的OutSet，其依据就是如下数据流公式：

out[s]=Uin[i] （其中i是s的后继基本块）

第27～29行：计算当前基本块的InSet，其依据就是如下数据流公式：

in[s]_(out[s)-def(s])U use[s]

第30～34行：判断新求得的InSet与基本块的原InSet是否相等，若不相等，则使用新求得的InSet作为基本块的InSet，并置bChange为true，表示本次迭代过程中状态发生了变化，即未进入稳定状况，迭代不能终止。

虽然算法的规模很小，但是要深入理解其实现却并不容易。在分析代码的过程中，部分读者可能会觉得这个算法的逻辑比较晦涩。确实如此，在日常程序设计中，迭代的应用可能没有递归广泛，因此，对迭代算法的思想比较生疏也不足为奇。