以leetcode 3336为例
访问优化
整数加法 / 乘法 | 1 | | 寄存器访问 | 0（已在流水线中） | | L1 缓存 | ~4 | | L2 缓存 | ~12 | | L3 缓存 | ~40 | | 主存 | ~200+
1.循环不变量外提
通过创建临时变量,把循环里的不变量提取出来,避免重复内存加载,让数据待在寄存器里，零内存访问。
2.消除冗余加载
// 改之前：f[row+j] 加载两次
g[col + j] = mo(g[col + j] + f[row + j]); // 读 f
g[row + gv[j]] = mo(g[row + gv[j]] + f[row + j]); // 又读 f
// 改之后：加载一次，复用
let v = f[row + j]; // 读 1 次，存寄存器
g[col + j] = mo(g[col + j] + v);
g[row + gv[j]] = mo(g[row + gv[j]] + v);
编译器可能优化掉重复加载（把 v 留在寄存器），但寄存器数量有限（x86-64 只有 16 个通用寄存器），压力大时会 spill 到栈上，反而更慢。手动提出来就是明确告诉编译器：这个值值得占一个寄存器。
3.热数据,减少缓存压力
在外面预处理的数据,可以放到循环里,缩小规模
4.批量操作替代逐元素循环
// 改之前：N² 次循环，每次 read f + read g + add + write g + bounds check ×4
for i in 0..N { for j in 0..N { g[i*N+j] = mo(g[i*N+j] + f[i*N+j]); } }
// 改之后：一次 memcpy，硬件用 256-bit SIMD 一次搬 8 个 i32
g.copy_from_slice(&f);
copy_from_slice底层调用memcpy`，CPU 用宽寄存器（128/256 bit）批量搬运，一个周期处理 4-8 个元素，比标量循环快一个数量级。