本文聚焦于进化迁移优化（ETO）在大规模相关任务集合中的评估瓶颈。随着任务数量增多，问题侧的评估往往成为运行时间的主要增长点。我们将评估扩展划分为两个层面：
- 评估任务数量——在多任务优化中，需要对每个任务进行独立评估。
- 单任务内部工作负载——每个任务内部的计算量也会随问题规模增长。
针对这两个层面，本文在两类任务参数化应用中提出了并行友好的重构方法。
-
矩阵递归的机械臂运动学评估：原始实现采用递归遍历链式结构，难以并行。我们将其转化为累计链接方向的 accumulation‑matrix 表示，使得所有关节的位姿可以一次性矩阵乘法完成，从而实现批量并行。
-
点式 B‑样条轨迹评估（顺序迁移优化）：传统实现逐点计算样条值并检测碰撞，计算开销随轨迹点数线性增长。我们引入 blending‑matrix 表示，将轨迹生成和碰撞检测合并为矩阵乘法，同样适合 GPU/多核并行。
两种重构在保持数值误差在可接受范围内的同时，分别实现了 $256.72\times$ 与 $93.91\times$ 的端到端加速。实验结果表明，问题侧的重构是实现可扩展 ETO 的实用路径。所有实现代码和实验脚本已开源，便于复现与二次开发。
点评：本文通过矩阵化改写，将本质上串行的评估任务转化为高度并行的线性代数运算，展示了在大规模任务集合下提升 ETO 效率的可行路径。代码开源进一步提升了研究的可复现性和社区价值。