Add parallel sort example (#220)

[LJX1021403]

Added a new example E06-ParallelSort that demonstrates how to use CGraph's pipeline to sort a large array in parallel.

The example:

• Generates 1,000,000 random integers.
• Splits them into 4 equal parts.
• Uses four SortGNodes to sort each part concurrently.
• Merges the results and verifies correctness.
• Prints thread IDs and execution time to show parallel execution.

Fixes #220

[ChunelFeng]

你好，看了您的例子，感觉整体很不错，非常符合 CGraph 的特性和思想。

个人提出一点建议哈：

1. 在 merge node中，对所有 100w 个数据进行了重排，相当于之前的SortNode 都有点摆设了。
2. 单就一个demo而言，中间的 print 信息可能略微有点多了。但内容其实都是【肯定正确】的 info 消息，有点类似大白话了。
3. demo本身，没能对比出来 在大量数据的情况下 并行排序 和 普通std::sort 的性能区别。

我个人提供两个优化思路，建议参考其一：

第一个思路：

1. 生成的初始化 data 中，固定是 0-100w 仅乱序但不重复的 100w个数字。
2. 增加一个在generate 和 sort 中间，增加一个node，功能是将 data按照 0-25w，25w-50w 这种方式做一次归并。确保前面 25w个数值，虽然是无序的，但实际都在 0-25w之间。依次类推。
3. 后面接 4个 sortNode，对别对着四个 part 进行排序。完成排序后，即为最终序。

第二个思路：

1. 随机生成 100w个数字，不care任何规律，跟当前保持一致。
2. 后面接 sort，分别对 4个part进行排序，跟当前保持一致。
3. 最后的 merge 节点中，按照插入排序的方式，4个局部有序的 sub_data，放到最终的 data中。确保data 是有序的。

最终还可以比较一下，并行排序和 std::sort 的真实性能差距。直接用 UTimeCounter("xxx") 即可，不需要自己计算时间了。
btw：数据随机生成，可以写在 第一个node 的 init方法中。计算耗时的时候，仅计算 pipeline->run() 的耗时。 std::sort 也仅计算 sort 的耗时，不需要考虑 data gene 的耗时

[ChunelFeng]

对了，记得在 CONTRIBUTORS.md 文档中，添加自己的信息哈。感谢

[LJX1021403]

感谢您的详细建议！我已经更新了示例：

1.合并节点已改为四路归并，不再整体重排。

2.增加了串行 std::sort 基准对比，并输出加速比。

3.精简了日志，聚焦性能对比。

4.已在 CONTRIBUTORS.md 中添加了自己的信息。

数据随机生成已放在第一个节点的 init 方法中；计时的部分我目前采用 std::chrono 计算 pipeline->process() 和 std::sort 本身的耗时，后续如需要会改用 UTimeCounter。

目前示例在 100 万随机整数上显示约 1.3 倍加速（并行 vs 串行）。如果还有需要调整的地方，请随时指出。

[ChunelFeng]

感谢您的贡献，已经合入。

如果有兴趣，非常希望可以添加个人微信，随时交流。

我的vx 见项目readme。