用C语言实现顺序矩阵乘法的最快方法

我需要编写一个在C中执行矩阵求幂的快速算法。我编写了一个递归版本和一个迭代版本的平方求幂。矩阵不保证有特征值。这是我的密码：

（matrix_multiply函数具有良好的性能——它使用SIMD和openMP进行了优化，缓存未命中率相对较低。）

迭代版本

int matrix_power(matrix *result, matrix *mat, int pow) {
        matrix *temp;
        matrix *temp2;
        allocate_matrix(&temp, mat->rows, mat->cols);
        allocate_matrix(&temp2, mat->rows, mat->cols);
        initialize_to_identity(result);
        
        while (pow) {
            if (pow & 1) {
                copy_matrix(temp2, result)
                matrix_multiply(result, temp2, temp); //result = temp2 x temp
            }
            copy_matrix(temp2, temp);
            mul_matrix(temp, temp2, temp2);
            pow >>= 1;
        }
        destroy(&temp, mat->rows, mat->cols);
        destroy(&temp2, mat->rows, mat->cols);
        return 0;
}

递归版本：

int matrix_power(matrix *result, matrix *mat, int pow) {
    matrix *temp;
    allocate_matrix(&temp, mat->rows, mat->cols);
    if (pow == 0) {
        initialize_to_identity(result);
        return 0;
    }
    if (pow == 1) {
        copy_matrix(result, mat);
        return 0;
    } else if (pow == 2) {
        matrix_multiply(result, mat, mat); //result = mat x mat
        return 0;
    }
    matrix_power(temp, mat, pow >> 1);
    matrix_multiply(result, temp, temp);
    if (pow & 1) {
       copy_matrix(temp, result); 
       matrix_multiply(result, temp, mat);
    }
    destroy(&temp, mat->rows, mat->cols);
    return 0;
}

给定1000 x 1000矩阵，递归版本比迭代版本快1.5倍。我认为原因可能是迭代版本比递归版本做更多的复制。我尝试分配2个全局临时数组，这样我的递归代码就不需要在每次调用中分配2个临时数组，但我几乎看不到性能上的任何提高。如何更改代码以获得更好的性能