傳統串行 CPU 迴圈的效率瓶頸

演化過程依賴種群多樣性，而多樣性意味著種群規模與評價次數的成倍增長。當候選評價達到數萬次量級時，傳統串行 CPU 迴圈就成了整條流水線上最窄的一段：它一次只處理一個個體，硬體的並行能力幾乎被閒置。

一次一個：串行迴圈的執行模型

最樸素的實現是把整個種群當成一個列表，用迴圈逐個取出個體：取個體 → 解碼為具體參數 → 呼叫評價函式 → 把適應度寫回。相鄰迭代之間幾乎無法重疊：評價結果不回來，寫回就無法推進；寫回不完成，下一個體就無處安放結果。於是多核、SIMD、GPU 這些並行單元大部分時間處於空閒，只能看著一個個體在流水線上跑完。

開銷到底來自哪裡

• 線性膨脹的評價次數：總評價次數約為種群規模 × 迭代代數，達到 10⁵ 量級時，串行牆鐘耗時近似線性增長。
• 解譯器層的逐個執行：逐個體迴圈、邊界檢查與型別分派帶來固定卻高昂的常數開銷。
• 非連續訪存與資料搬運：逐個取用的個體在記憶體中往往不連續，快取命中率偏低，搬運成本被反覆支付。
• 同步與調度：為了取到下一個個體，執行流必須反覆停頓再恢復。

把規模換算成時間

以種群 1000、迭代 100 代為例，共約 10 萬次候選評價。若單次評價平均 1 ms，僅評價環節串行就需約 100 秒，尚未計入算子計算與調度開銷；若為維持多樣性把重啟次數從 1 次增加到 5 次，代價近似線性上升到約 500 秒。同等工作量若按批組織並交由並行硬體處理，牆鐘時間主要由批次數而非個體數決定。

什麼時候這個瓶頸會收窄

邊界條件同樣重要：當單次評價極廉價（微秒級）或種群極小（百量級以下）時，調度與記憶體開銷可能反超計算開銷，串行與並行的差距明顯收窄，張量化的邊際收益遞減，瓶頸會轉移到調度粒度與記憶體頻寬。因此是否值得改造執行模型，需要結合評價成本與規模共同評估。