最近，笔者在阅读这篇文章时很好奇，为什么使用看起来高大上的shuffle算法之后，并没有造成优化反而有了负优化，想到了一个可以优化的地方：在最后针对一个warp进行处理时，当前block中不在第一个warp中的线程会进行很多额外的处理：首先是对线程内部寄存器的读写，然后是一些处理，于是有了如下的更改：
可以看到，通过使用double y = 0，减少了对无关线程的寄存器读写量和计算量，但是此优化也并没有达到warp内同步算法的结果，详细内容看下图：

还差0.05ms（不同评测机上结果可能不同）
猜测是shuffle内部的某些机制造成了延迟，不过这个只有在看到源码时才能具体分析。
详细代码已上传Gitee。