std::execution 提供 seq、par、par_unseq 三种执行策略，分别支持串行、并行、并行且向量化执行，可用于加速 std::sort、std::transform 等算法；通过在调用时传入对应策略，如 std::sort(std::execution::par_unseq, begin, end)，可利用多核与 SIMD 指令提升大数据集处理性能；使用时需确保操作线程安全、无副作用，并避免小数据集上的过度开销，适用于图像处理、科学计算等高性能场景。
std::execution 是 C++17 引入的一个命名空间，它定义了几种执行策略（execution policies），用于控制标准库中部分算法的执行方式。这些策略允许开发者指定某些 STL 算法以串行、并行或带向量化的方式运行，从而在多核处理器上提升性能。
std::execution 支持的三种执行策略
该命名空间提供了三个预定义的执行策略对象：
- std::execution::seq：表示顺序执行，算法在单个线程中运行，不允许多线程并行，也不允许向量化循环。适用于有依赖关系的操作。
- std::execution::par：表示并行执行，算法可以在多个线程中并发运行，适合计算密集型任务，但要求操作是线程安全的。
- std::execution::par_unseq：表示并行且向量化执行，不仅支持多线程并行，还允许使用 SIMD 指令（如 SSE、AVX）对数据进行批量处理，进一步加速运算。
如何使用执行策略提升 STL 性能
从 C++17 开始，一些常用的 STL 算法（如 std::sort、std::for_each、std::transform、std::reduce 等）支持传入执行策略作为第一个参数。通过选择合适的策略，可以显著提高大数据集上的处理速度。
例如：#include <algorithm> #include <vector> #include <execution> std::vector<int> data(1000000); // ... 填充数据 // 使用并行+向量化策略排序 std::sort(std::execution::par_unseq, data.begin(), data.end());
这段代码会尝试利用多核 CPU 和 SIMD 指令来加速排序过程。对于大数组，性能提升可能非常明显。
立即学习“C++免费学习笔记（深入）”；
Miller CSV TSV JSON 数据处理器
下载
Miller (mlr) 是一个命令行工具，用于查询、整形和重新格式化名称索引数据，如 CSV、TSV、JSON 和 JSON Lines。它将 awk、sed、cut、join 和 sort 的功能整合到一个专为结构化数据处理而构建的单一工具中。
注意事项与限制
虽然并行策略能带来性能收益，但也引入了额外约束：
- 使用 par 或 par_unseq 时，传给算法的函数对象必须是线程安全的，不能有竞态条件。
- 某些算法内部可能仍需访问共享状态，此时应避免使用并行策略，或手动加锁保护。
- 小规模数据集上启用并行可能反而更慢，因为线程开销大于计算收益。
- 并非所有 STL 实现都完全支持所有策略，特别是 par_unseq 在某些平台上可能退化为 par。
适用场景建议
以下情况推荐使用 std::execution 策略：
- 处理大型容器（如数十万以上元素）。
- 算法操作是纯函数式、无副作用的（比如只读取或独立修改元素）。
- 目标平台具备多核 CPU 并开启相应编译优化（如 -O2/-O3，-march=native）。
例如图像处理、科学计算、大规模数据过滤等场景都能从中受益。
基本上就这些。std::execution 提供了一种简洁而强大的方式让传统 STL 算法迈入并行时代，无需手动管理线程即可获得性能提升。只要注意使用条件和潜在风险，就能安全有效地发挥现代硬件的能力。
