传统串行 CPU 循环的效率瓶颈

演化过程依赖种群多样性，而多样性意味着种群规模与评价次数的成倍增长。当候选评价达到数万次量级时，传统串行 CPU 循环就成了整条流水线上最窄的一段：它一次只处理一个个体，硬件的并行能力几乎被闲置。

一次一个：串行循环的执行模型

最朴素的实现是把整个种群当成一个列表，用循环逐个取出个体：取个体 → 解码为具体参数 → 调用评价函数 → 把适应度写回。相邻迭代之间几乎无法重叠：评价结果不回来，写回就无法推进；写回不完成，下一个体就无处安放结果。于是多核、SIMD、GPU 这些并行单元大部分时间处于空闲，只能看着一个个体在流水线上跑完。

开销到底来自哪里

• 线性膨胀的评价次数：总评价次数约为种群规模 × 迭代代数，达到 10⁵ 量级时，串行墙钟耗时近似线性增长。
• 解释器层的逐个执行：逐个体循环、边界检查与类型分发带来固定却高昂的常数开销。
• 非连续访存与数据搬运：逐个取用的个体在内存中往往不连续，缓存命中率偏低，搬运成本被反复支付。
• 同步与调度：为了取到下一个个体，执行流必须反复停顿再恢复。

把规模换算成时间

以种群 1000、迭代 100 代为例，共约 10 万次候选评价。若单次评价平均 1 ms，仅评价环节串行就需约 100 秒，尚未计入算子计算与调度开销；若为维持多样性把重启次数从 1 次增加到 5 次，代价近似线性上升到约 500 秒。同等工作量若按批组织并交由并行硬件处理，墙钟时间主要由批次数而非个体数决定。

什么时候这个瓶颈会收窄

边界条件同样重要：当单次评价极廉价（微秒级）或种群极小（百量级以下）时，调度与内存开销可能反超计算开销，串行与并行的差距明显收窄，张量化的边际收益递减，瓶颈会转移到调度粒度与内存带宽。因此是否值得改造执行模型，需要结合评价成本与规模共同评估。