6 模型评价
6.1 模型优点
针对问题1所构建的调度模型，其优势主要体现在以下几个方面：
（1）模型具有高度的数据驱动性与兼容性，算法严格依赖于计算图本身提供的拓扑依 赖关系（即边约束）进行调度序列生成，无需引入外部假设或先验知识，从而保证了与各类异构计算图结构的天然兼容性。这一特性使得模型能够适应多种算子类型（如矩阵乘法、 卷积、注意力机制等）及其动态输入形状，体现了良好的泛化能力。
（2）模型展现出优异的可扩展性与计算效率，通过采用基于优先队列的调度策略，算 法的时间复杂度为
。这一近似线性的复杂度特征使得模型在处理大规模计算图（如节点规模达 3 万至 7 万） 时仍能保持稳定运行，避免了组合爆炸问题，适用于实际部署中的实时性要求。
（3）模型在峰值内存优化方面表现突出，通过贪心策略优先选择"最小增量"节点（即 当前步骤对缓存驻留量增加最小的节点），算法能有效压制 UB 和 L1 的峰值使用量。这一 优化机制不仅降低了缓存溢出的风险，也为后续缓存分配问题奠定了基础。
（4）模型具备实现简洁性与可复现性，算法基于明确的状态机模型进行节点调度，每 一步的决策轨迹均可输出并验证，使得整个调度过程透明可追溯。这种设计便于调试和性能分析，同时也利于其他研究者复现和验证结果，符合学术研究的标准。
针对问题 2 所构建的缓存分配与 Spill 管理模型，其优势主要体现在以下几个方面：
（1）模型具备决策的即时性与高效性，采用反应式的 Spill 触发机制，仅在实际发生内 存分配冲突时才启动干预。这种"按需服务"的策略避免了复杂的全局预分析和预测，保 证了决策的必要性与针对性，使得算法能够快速响应并解决资源瓶颈，尤其适用于节点数 量庞大、依赖关系复杂的计算图。
（2）模型体现了调度的稳定性与死锁规避，通过引入基于最后使用状态的排除机制， 模型能够确定性地避免"换入即换出"的性能抖动问题。这种设计从机制上保证了算法不 会陷入无效的局部循环，极大地增强了调度过程的稳定性和鲁棒性，确保在复杂的资源竞 争下算法总能向前推进。
（3）模型考虑了主动的碎片管理与策略灵活性，不仅通过主动合并空闲块来对抗内存 碎片化，还适配了多种经典的内存分配算法（First-Fit, Best-Fit, Worst-Fit）。这种设计提供 了极大的灵活性，允许我们进行实验根据比较不同的分配策略，以寻求最佳性能。
（4）模型有较强的通用性与鲁棒性，整个求解框架严格依赖于计算图的拓扑结构和给 定的调度序列，不针对任何特定的算子（如 Matmul、Conv）进行特殊优化。其动态修改图依赖关系并重入调度的能力，保证了无论 Spill 操作如何介入，最终生成的调度序列和内 存分配方案都严格遵守数据流约束，展现了良好的通用性和在复杂场景下的鲁棒性。
针对问题 3 所构建的性能优化模型，在问题 1 与问题 2 的基础上进一步实现了调度方 案的综合效能提升，该模型具有以下几项显著优势：
（1）模型展现出优异的计算效率与实用性，优化策略构建于前期已生成的调度序列与 缓存分配方案之上，无需进行耗时的迭代搜索或重复计算，显著降低了优化过程的计算开 销。这一特性使算法能够在规定的时间约束内快速给出优质解，满足了实际部署中对响应 速度的要求，增强了方法的工程实用性。
（2）模型体现了出色的通用性与结构无关性，优化过程不依赖于特定算子的计算结构 或领域知识，而是完全基于 DAG 的通用属性进行决策。这一设计使其能够天然适应各类 异构计算图，对于未在训练集中出现的未知算子类型也具备良好的泛化能力。
（3）模型具有高度的可解释性与理论清晰度，所采用的优先级调优机制建立在严格的 图论与调度理论基础上，每一步优化决策均有明确的逻辑依据和可追溯的推理链条。与黑 箱式启发式算法或元启发式算法相比，本方法具有更好的可分析性，便于研究人员理解算 法行为、调试参数并合理解释结果，符合学术研究对透明性与可复现性的要求。
（4）模型在多目标权衡方面表现出严谨性与有效性，通过系统性的实验设计与完备的 评估流程，模型在"总执行时间"与"总额外数据搬运量"这两个核心竞争指标之间实现 了有效平衡。优化结果不仅通过数据证明了其权衡能力，还提供了对权衡机制的理论分析， 体现了模型在复杂约束下进行多目标决策的科学性与鲁棒性。