En la computación evolutiva, ladiversidades el requisito previo para la eficacia del algoritmo: solo manteniendo suficientes soluciones candidatas la presión de selección no empujará prematuramente a la población hacia un óptimo local. Sin embargo, la diversidad también implica una enorme carga computacional: una sola ejecución suele requerir evaluar decenas de miles o incluso millones de soluciones candidatas. Cuando los candidatos se escriben como un arreglo de objetos ordinarios y se envían a evaluar uno por uno mediante bucles elemento a elemento, la mayor parte del tiempo de cómputo se consume en la programación individual y en el flujo de control del lenguaje anfitrión, y no en el cálculo numérico real; esta es precisamentela razón fundamental de que los bucles seriales tradicionales de CPU sean ineficientes al procesar decenas de miles de evaluaciones de candidatos.
El salto en la forma de representación: de la lista de candidatos al grafo computacional tensorial
El cambio que aporta EvoX no es la aceleración local de un operador concreto, sino elcambio en la forma de representar el proceso evolutivo: pasar del procesamiento basado en listas, candidato por candidato, a un cómputo por lotes en el que el tensor es un ciudadano de primera clase. El conjunto de candidatos ya no queda disperso en arreglos de objetos, sino que se organiza de forma unificada como tensores junto con los resultados de evaluación y el estado del algoritmo, de modo que pueden participar en las operaciones como un todo.
- Tensor de candidatos: toda la generación de candidatos se escribe como un tensor de forma [tamaño de población, dimensión de solución]. Ahora «un candidato» es solo una fila del tensor, y ya no un objeto independiente del lenguaje anfitrión.
- Operadores por lotes: operaciones como la mutación actúan directamente sobre toda la población; una sola llamada completa la actualización de todos los candidatos, en lugar de invocarse N veces en un bucle.
- Evaluación por lotes: mediante evaluate(tensor de candidatos) se obtienen de una sola vez los resultados de evaluación de toda la generación; la unidad de conteo de las evaluaciones pasa de «unidad» a «lote».
- Grafo computacional: la selección y la actualización de estado ya no son solo lógica de control serial, sino nodos del grafo, y por ello obtienen oportunidades de optimización de compilación como fusión de operadores y programación paralela.
Comparación entre ambas formas de escribir el código
La forma basada en listas se aproxima a: extraer candidato por candidato, evaluar uno por uno, comparar uno por uno y actualizar el estado; cada paso depende de bucles del lenguaje anfitrión, lo que dificulta la optimización global. La forma tensorial, en cambio, es: tensor de candidatos → mutación → evaluación → selección → actualización de estado; toda la cadena está compuesta por operaciones tensoriales y se expresa como un grafo computacional, y el compilador puede hacer fusión y programación de dispositivos sobre todo el grafo. Nota: la lógica del algoritmo (distribución de mutación, presión de selección) no ha sido reescrita; lo que se ha reescrito es laforma de representación.
La conversión estructural de la lista de candidatos al tensorEl procesamiento basado en listas trata cada candidato como un objeto independiente y lo evalúa uno por uno en un bucle, mientras que la tensorización escribe toda la generación de candidatos como un tensor de forma [tamaño de población, dimensión de solución], donde un candidato es solo una de sus filas; la mutación, la evaluación y la selección se invocan entonces por lotes y se organizan en un grafo computacional que puede recibir optimización de compilación. La lógica del algoritmo en sí no cambia.
