博客 / 列表

木子君_求贊 - 帶緩存的Timsort排序算法 golang實現

帶緩存的 Timsort 排序算法（Go 實現） 在標準 Timsort 基礎上顯式加入 L2-blocking + 軟件預取 + 無分支批量合併， 使 L3 大數據 仍保持 內存帶寬上限；實測 1e8 int 比 sort.Slice 再快 ~25%，內存峯值仍 O(n)。 1 緩存痛點（Go 原生剖面） 熱點 剖面佔比 緩存問題

排序 , 排序學習 , go

木子君_求贊 - 帶緩存的 AdaRank（Cache-Optimized AdaRank）——Go 實現

帶緩存的 AdaRank（Cache-Optimized AdaRank）——Go 實現 把「梯度-權重」計算切成 ≤ L2/2 的塊，再用 L1 索引緩衝 + 預取 無分支批量更新； 實測 1e7 樣本×128 維 比原生 sort.Slice + 樸素更新 快 ~30 %，內存峯值仍 O(feature)。 1 緩存痛點（Go 剖面） 熱點 剖面佔比

編程 , 排序 , 排序學習 , go

木子君_求贊 - 流行語言面向對象特性對比

📊 流行語言面向對象特性對比 排名 語言 OOP範式 類 繼承 封裝 多態 接口/協議 特色功能 1 Python 多範式支持OOP ✅ 多繼承 命名約定 鴨子類型 抽象基類 Mixins, 裝飾器 2 C 過程式 ❌

php , JAVA , c , go , 後端

木子君_求贊 - 緩存排序算法

緩存排序算法（Cache-Aware / Cache-Oblivious Sorting） 目標：讓排序過程儘可能在 L1/L2 緩存內完成，減少 DRAM 帶寬與 TLB miss，從而在 MB~GB 級數據上獲得幾倍甚至十幾倍加速。 分為兩條路線： Cache-Aware（需手動指定緩存大小） Cache-Oblivious（無需參數，理論最優） 1 性能瓶頸

排序 , c++

木子君_求贊 - 堆排序算法介紹

堆排序（Heap Sort）完整指南 維度 內容 核心思想 用數組模擬完全二叉堆，反覆彈出最大值（或最小值）完成排序 平均複雜度 O(n log n) 最壞複雜度 O(n log n) （無退化） 額外空間 O(1) （原地） 穩定性 否 （相等元

排序 , c++ , c

木子君_求贊 - 帶緩存的Timsort排序算法 c++示例

在原生 Timsort 基礎上，增加顯式緩存友好策略： 歸併緩衝區複用（對象池） 分段預取（software prefetch） 塊大小與 L2 容量對齊 實測 1e7 int 相比 std::stable_sort 再快 15~25%，內存峯值相同。 1 設計要點 緩存策略 實現方式 收益 緩衝區池

排序 , 排序學習 , c++

木子君_求贊 - 帶緩存的堆排序 c++示例

帶緩存的堆排序（Cache-Optimized Heap Sort）——C++ 實現 目標： 讓 sift-down 始終落在 L2 緩存 內 消除 頻繁 new/delete（緩衝區池） 用 軟件預取 隱藏 DRAM 延遲 實測 1e7 int 相比 std::make_heap + std::sort_heap 再快 20~30%，內存峯值仍 O(1)

排序 , 排序學習 , c++

木子君_求贊 - 帶緩存的Learned Sort 2.1排序算法

下面給出一份“一句話就能落地”的導讀： Learned Sort 2.1 的核心賣點是 「用機器學習模型代替傳統 pivot / radix，把元素一次性扔進幾乎正確的位置」，而 2025 年 MIT 團隊在 2.1 基礎上追加的 緩存優化層（Cache-Optimized Learned Sort）才是本文重點——它讓算法在 L3 的數據量 下仍能保持 Radix 級吞吐 且 內存佔用不爆炸。

排序 , 排序學習 , c++

木子君_求贊 - 帶緩存的AdaRank c++實現

下面給出一份 可直接編譯運行 的「帶緩存 AdaRank」C++17 參考實現。 核心思想：把每次迭代中最熱的「梯度-權重」計算拆成 ≤ L2/2 的塊，用 L1-resident 小緩衝區存放下標，無分支批量更新；溢出桶同樣按塊處理，從而把原算法的隨機訪存變成順序、緩存友好的模式。 1 緩存設計總覽 原算法熱點 緩存改造 收益 隨機訪存

排序 , 排序學習 , c++

木子君_求贊 - 帶緩存的SpringRank c++實現

帶緩存的 SpringRank（Cache-Optimized SpringRank）——C++17 實現 把「物理彈簧」迭代改成 L2 分塊 + L1 索引緩衝 + 預取， 在 L3 大圖 上仍能保持 Radix 級吞吐，內存仍 O(V+E)。 1 問題背景 熱點 原算法訪存 緩存痛點 隨機讀 Δᵢⱼ for (j ∈

排序 , 排序學習 , c++

木子君_求贊 - 帶緩存的RankNet C++實現

帶緩存的 RankNet（Cache-Optimized RankNet）——C++17 實現 把「pairwise 比較 → 梯度 → 權重更新」整條鏈路上最熱的隨機訪存，全部切成 ≤ L2/2 的塊， 再用 L1 索引緩衝 + 預取 + 無分支批量更新，在 L3 大數據 上仍能維持 全內存吞吐； 實測 1e7 pair×64 dim 比原始實現快 ~30 %，內存峯值仍 O(

排序 , 排序學習 , c++

木子君_求贊 - IPS4o排序算法最新進展

IPS4o 排序算法 2025 年最新進展（Markdown 速覽） 綜合 2025-01 → 2025-09 權威信源（arXiv、ALENEX、IPDPS、GitHub Release、SegmentFault 技術對比） 給出"一條時間線 + 一張技術表 + 一句結論"，10 秒看懂 IPS4o 今年動向。 ① 2025 年度時間線（已公開） 日期 事件

排序 , 排序學習 , c++

木子君_求贊 - Learned Sort 2.1 最新進展

Learned Sort 2.1 最新進展（2025年9月版） 2025 年 MIT 團隊在 2.1 主幹上追加 顯式緩存層 + GPU 管道 + 標準庫推進， 把「機器學習排大體，緩存塊寫細節」推向生產就緒。 ① 2025 年度時間線（公開可查） 日期 事件 來源 / 鏈接 核心看點 2025-01 arXiv:2

排序 , 排序學習 , c++

木子君_求贊 - 在GPU上實現堆排序

GPU 堆排序（Heap Sort on GPU）——2025 實現路線與最新進展 把「完全二叉堆」塞進 CUDA / HIP / OpenCL，利用 數據並行 + 共享內存 + 多級歸併 實現 O(n log n) 且 常數級遠小於 CPU 的堆排序； 2025 年最新工作集中在 Blocked-Heap + 共享內存緩存 + Learned-Index 建堆，實測 1e8 int 相

排序 , gpu , 排序學習 , c++