C++ 大規模複數陣列求模：避開迴圈的高效能實現

問題本質

16,000 個複數（實部/虛部交錯存儲）需計算模值 sqrt(re² + im²)。單純 for 迴圈雖正確，但受限於分支預測、記憶體存取模式，效能有上限。

優化路徑

1. 編譯器自動向量化

// 啟用 -O3 -march=native -ftree-vectorize
for (size_t i = 0; i < n; ++i) {
    double re = complex[2*i];
    double im = complex[2*i+1];
    out[i] = std::hypot(re, im); // C++17 標準庫優化
}

現代編譯器（GCC/Clang/MSVC）會自動生成 SIMD 指令（AVX2/AVX-512/NEON）。

2. 顯式 SIMD 內建函式

#include 
void hypot_simd(const double* in, double* out, size_t n) {
    for (size_t i = 0; i < n; i += 4) {
        __m256d re = _mm256_loadu_pd(in + 2*i);
        __m256d im = _mm256_loadu_pd(in + 2*i + 4);
        __m256d sq_re = _mm256_mul_pd(re, re);
        __m256d sq_im = _mm256_mul_pd(im, im);
        __m256d sum = _mm256_add_pd(sq_re, sq_im);
        __m256d res = _mm256_sqrt_pd(sum);
        _mm256_storeu_pd(out + i, res);
    }
}

3. 成熟線性代數庫

• Eigen：ArrayXXd::hypot() 一行搞定，自動向量化、多執行緒。
• Intel MKL / OpenBLAS：提供 vdHypot 向量數學函式，效能最強。
• Kokkos / RAJA：跨平台並行抽象，支援 GPU 加速。

效能對比參考

結論：優先嘗試 std::hypot + 高優化等級；效能敏感場景直接引入 Eigen 或 MKL，避免重複造輪子。