用遗传算法自动搜索 Yul 优化器最佳优化步骤序列：Solidity yul-phaser 工具实战指南

用遗传算法自动搜索 Yul 优化器最佳优化步骤序列：Solidity yul-phaser 工具实战指南

【免费下载链接】soliditySolidity, the Smart Contract Programming Language项目地址: https://gitcode.com/GitHub_Trending/so/solidity

yul-phaser是 Solidity 仓库内置的一个内部工具，用于自动寻找 Yul 优化器（Yul optimiser）的最优优化步骤序列。它把"为给定程序挑选优化步骤与排列顺序"这一被称为phase-ordering problem的难题建模为搜索问题，并使用遗传算法（genetic algorithm）在庞大的解空间中迭代求解。读完本文，你将掌握 yul-phaser 的工作原理、全部核心命令行参数与默认值、如何从零开始搜索、如何从上次的搜索结果续跑、如何分析某个特定序列的指标与优化效果，以及如何把搜到的序列通过--yul-optimizations直接交给solc使用。

yul-phaser 要解决的问题

Solidity 编译器在启用优化后会经过多个 Yul 优化阶段（optimisation steps），每个阶段各司其职：有的消除无用代码（如UnusedPruner）、有的做公共子表达式消除（如CommonSubexpressionEliminator）、有的展开函数（如FullInliner）等。

这些阶段的执行顺序对最终生成代码的质量影响显著，而可能的排列组合空间极其庞大——这就是经典的 phase-ordering problem。更棘手的是，从理论上讲，可能不存在一个对所有程序都最优的单一序列：某个序列对合约 A 效果极佳，对合约 B 却可能适得其反。因此，与其手工反复试验，不如让程序自动搜索。

yul-phaser 正是为此而生的内部工具（位于 tools/yulPhaser 目录，编译目标名为yul-phaser，由 tools/CMakeLists.txt 构建）。它不参与日常编译流程，而是作为开发者的"参数搜索器"：输入一组 Yul 程序，输出一个（或一批）适合这些程序的优化步骤序列。

工作流程：从问题建模到遗传算法

三个核心抽象

从源码结构看，整个工具建立在三个核心抽象之上（均在 tools/yulPhaser 下）：

1. Program（程序）：Program.h 负责读取并解析输入文件，将其编译为 Yul AST，并允许把一组合规的优化步骤应用到程序上。
2. Chromosome（染色体）：Chromosome.h 表示一条优化步骤序列，即种群中的一个个体。它内部把步骤序列编码成字符串（每个字符代表一个优化步骤，见后文），并且一旦创建便不可变——想"变异"只能基于旧染色体生成新染色体。
3. FitnessMetric（适应度指标）：FitnessMetrics.h 计算一个染色体（序列）作用于程序后的"得分"：得分越低，序列越好。所有指标都是确定性的，只依赖染色体本身与指标状态。

遗传算法的运转方式

算法入口在 AlgorithmRunner：它持有当前种群，在每一轮中调用可插拔的GeneticAlgorithm::runNextRound()对种群做进化，并负责打印轮次反馈、去重（把重复染色体替换为随机新个体，可用--no-randomise-duplicates关闭）、以及按需把种群写入文件。

yulPhaser/GeneticAlgorithms.h 中实现了三种可选算法：

• GEWEP（GenerationalElitistWithExclusivePools）：每一轮将种群分为互斥的三部分——精英池直接保留，交叉池与变异池分别由精英个体通过交叉、变异生成新个体。这是默认算法。
• classic（ClassicGeneticAlgorithm）：经典三段式流程——按适应度比例选择（可重复选中同一染色体）、按概率配对做交叉、再按概率对每个基因逐一施加变异（基因随机化/删除/添加）。
• random（RandomAlgorithm）：每轮仅保留固定比例的精英，其余全部替换为随机生成的全新染色体。它不基于当前种群产生后代，相当于一个"带精英保留的随机搜索基线"。

三种算法的参数与默认值都在 Phaser.cpp 的命令行描述中定义（详见下文参数表）。

序列的简写表示：字母即优化步骤

优化步骤序列在 yul-phaser 中以字母字符串呈现，每个字符代表一个优化步骤。完整对照表见 docs/internals/optimizer.rst 的 "Optimizer Steps" 一节，例如：

注意：BlockFlattener、FunctionGrouper、ForLoopInitRewriter三个步骤是其他步骤的前提，Yul 优化器总会先于用户指定步骤应用它们（见 docs/internals/optimizer.rst 说明），因此 yul-phaser 在--prefix说明中也提到它会隐式添加hgo前缀，确保染色体可以包含任意优化步骤。

此外，[...]中的步骤会被循环重复应用，直到 Yul 代码不再变化或达到最大轮数（当前为 12）——这个机制直接复用到solc的--yul-optimizations中（详见 docs/internals/optimizer.rst）。

快速上手：一次最简单的搜索

yul-phaser 对大多数参数都有合理的默认值，最简单的调用只需给出输入文件与随机种群大小：

tools/yul-phaser ../test/libyul/yulOptimizerTests/fullSuite/*.yul \ --random-population 100

前提是你已经编译了 Solidity 源码树（从而生成tools/yul-phaser可执行文件），并且当前位于该工作副本的构建目录中。输入是一个或多个 Yul 程序，每个候选序列都会被应用到所有这些程序上，再根据所选指标打分。

--random-population 100表示初始种群包含 100 条随机生成的序列。从 PopulationFactory 的实现可以看到，初始种群支持三种来源，且可以组合：--population（显式指定序列）、--random-population（随机生成）、--population-from-file（从文件读取），最终种群是三者的并集。

运行yul-phaser --help可以查看全部可用选项（帮助文本由 buildCommandLineDescription 生成）。

常用工作模式

从上次搜索结果继续

搜索可能需要很长时间，yul-phaser 支持每轮结束后把当前种群保存到文件，中断后可无缝续跑：

tools/yul-phaser *.yul \ --random-population 100 \ --population-autosave /tmp/population.txt

停止应用后，用--population-from-file读回种群继续搜索，同时继续自动保存（保存文件会随每轮更新）：

tools/yul-phaser *.yul \ --population-from-file /tmp/population.txt \ --population-autosave /tmp/population.txt

保存文件是纯文本格式：每行一条染色体（即一串字母）。这来自 buildFromFile 的实现——它按行读取文件并把每行当作一个基因序列。

分析一条给定序列

如果已经有了一条序列（无论是手工构造的还是搜出来的），可以用--rounds 0跳过算法迭代，让 phaser 只做"分析"工作。查看某条序列在指定指标下的得分：

tools/yul-phaser *.yul \ --show-initial-population \ --rounds 0 \ --metric code-size \ --metric-aggregator sum \ --population <your sequence>

• --rounds 0：算法运行 0 轮，即不进化；
• --metric code-size：使用程序大小指标（默认是relative-code-size）；
• --metric-aggregator sum：把该序列对每个输入程序的得分求和（默认为average）；
• --population <your sequence>：把目标序列作为初始（也是唯一）种群。

查看该序列优化后的程序长什么样：

tools/yul-phaser *.yul \ --rounds 0 \ --mode print-optimised-programs \ --population <your sequence>

--mode共有三种取值（见 Phaser.h）：

• run-algorithm：默认模式，运行遗传算法；
• print-optimised-programs：打印每个染色体优化后的程序代码（对应 printOptimisedProgramsOrASTs 中operator<<输出的 Yul 文本）；
• print-optimised-asts：打印优化后的程序 AST（JSON 形式，对应同一函数中的toJson()分支）。

使用 solc 生成的中间表示

solc可以把 Solidity 合约编译成 Yul IR，而这些输出可以直接作为 yul-phaser 的输入：

solc/solc <sol file> --ir --output-dir <output directory>

输出目录中会出现一个或多个.yul文件。注意这些文件包含的是完整的 Yul 对象（object），而不仅是裸的 Yul 程序——yul-phaser 已经准备好处理这种情况（Program::load 负责解析包含 object 的输入）。这一步是"针对你自己的合约搜索优化序列"的标准做法：把项目里有代表性的合约转成 IR，喂给 phaser。

把搜索结果应用到编译器

搜索结束后，把得到的序列直接通过--yul-optimizations交给solc，让 Yul 优化器按该序列执行优化：

solc/solc <sol file> --optimize --ir-optimized --yul-optimizations <sequence>

该选项的语义与默认序列的差异在 docs/internals/optimizer.rst 中有详细说明：默认情况下优化器应用预定义的步骤序列；传入--yul-optimizations后即覆盖之。例如文档中的示例'dhfoD[xarrscLMcCTU]uljmul:fDnTOcmu'——其中方括号内的部分会被循环应用。

完整命令行参数参考

以下参数及默认值均直接取自 Phaser.cpp 中buildCommandLineDescription()的定义（yul-phaser --help的输出同源）。

通用参数

算法通用参数

GEWEP 算法参数

classic 算法参数

random 算法参数

种群参数

指标参数

指标权重参数

相对/绝对代码大小指标按 Yul AST 节点计"成本"（CodeWeights）。默认权重如下（见 Phaser.cpp 的 "METRIC WEIGHTS" 一节），源码注释指出这组权重是过渡方案，只为保证任何语句/表达式都不为零成本：

缓存与输出参数

其中--program-cache的实现位于 ProgramCache.h：由于优化步骤是顺序应用的，前缀相同的序列共享相同的中间程序，缓存这些中间结果可以避免大量重复优化计算，代价是内存占用随染色体长度显著上升。

如何选好参数：来自实验的实用建议

挑选遗传算法参数并不简单，但 phaser 的默认值通常已足够在给定程序集上找到"与经验丰富的开发者手工调优结果相当甚至更好"的序列。真正困难的其实是提供有代表性的输入文件集：

• 如果输入文件用不到某些优化，工具会倾向产出不使用这些优化的序列，遇到能受益于它们的程序时会表现很差；
• 反之，如果所有输入文件都极度依赖某个优化，找到的序列可能对不依赖它的程序不友好。

因此，输入文件集的代表性比参数微调更重要。在默认值基础上，以下经验结论来自维护者基于一组粗略实验的总结（相关讨论见 Solidity 问题 #7806），供参考：

1. 表现最好的算法是GEWEP（因此它也是默认算法）。
2. 初始种群使用更长的序列效果更好——算法本身擅长裁剪多余步骤。
3. 保留上一轮的最优序列有助于提升结果；尤其在使用classic算法时，精英池（elite）至少应包含少量个体。
4. 不要把变异/删除/添加概率设得太高：过高会破坏交叉保留的良好模式。1%–5% 左右的取值似乎效果最好（classic 算法默认的 0.01 正落在这个区间）。
5. 让算法至少运行 1000 轮以上。通常它能更快找到好序列，但运行更久可以显著缩短序列长度——当以长序列起步时这一点尤其重要。

源码阅读指引

如果你想深入理解实现细节，推荐按以下路径阅读：

• Phaser.cpp：命令行解析、各组件工厂（GeneticAlgorithmFactory、FitnessMetricFactory、PopulationFactory、ProgramFactory、ProgramCacheFactory）与总调度逻辑；
• GeneticAlgorithms.h：三种遗传算法的接口与选项结构；
• Chromosome.h：染色体（基因串）与优化步骤序列之间的编码/解码（genesToSteps/stepsToGenes）；
• FitnessMetrics.h：ProgramSize、RelativeProgramSize以及四种聚合器（average/sum/maximum/minimum）；
• Population.h：种群数据结构与makeRandom；
• Mutations.h：基因随机化、基因添加、基因删除三类变异算子；
• AlgorithmRunner.h：轮次循环、去重、自动保存与输出反馈。

对应的 Yul 优化器全貌（所有优化步骤的详细说明）见 docs/internals/optimizer.rst，步骤缩写表见其中的 "Optimizer Steps" 一节；Yul 语言本身的文档见 docs/yul.rst。

小结

yul-phaser 把"Yul 优化步骤排序"这一组合优化问题交给遗传算法求解，并提供了从搜索、续跑、分析到与solc联动的完整工作流。它的正确使用姿势可以概括为三步：准备有代表性的 Yul 程序集（最好来自你自己的合约、经solc --ir转换）、以默认参数跑足够多轮（必要时调大初始序列长度与精英池）、把搜到的序列通过--yul-optimizations应用到编译器，从而为特定合约量身定制优化管线。

【免费下载链接】soliditySolidity, the Smart Contract Programming Language项目地址: https://gitcode.com/GitHub_Trending/so/solidity