算子并行与编译优化

在 EvoX 的现代计算底座中，演化算子的最小执行单元不再是“个体”，而是整个种群张量：变异、交叉、选择等算子一次调用即可覆盖全部个体；在此之上，计算图编译把算子序列组织成可优化的执行计划，在保持算法语义不变的前提下提升执行效率。

算子并行：以张量为单位的批量演化

• 张量级算子：变异、交叉、选择可直接作用于形状为 [N, D] 的种群张量（N 为种群规模，D 为决策变量维度），一次算子调用覆盖全部 N 个个体。
• 消除逐个体循环：不必再写 for ind in population: ind = mutate(ind) 这样的 Python/CPU 串行循环，从而减少频繁的函数调度与框架调用开销。
• 用批量维度换吞吐：个体维度充当批量维度后，算子在设备上以大规模并行方式执行，批量演化的吞吐随种群规模放大。

计算图编译：从算子序列到执行计划

把“变异 → 交叉 → 选择”的算子依赖关系组织成一张计算图，编译器就能在整张图上做全局优化，而不只是逐个算子地调用现成实现：

• 算子融合：把多个逐元素（element-wise）运算合并成一个内核，减少中间张量的产生与反复读写。
• 内核生成与调度：为融合后的子图生成高效内核，用更少的 kernel 启动次数完成整代演化。
• 内存复用：为中间结果预先规划缓冲区，降低显存分配与数据搬运带来的额外开销。

效率变了，语义没变

需要区分“怎么算”与“算什么”。算子并行与编译优化只改变执行方式——内核数量、中间张量规模、内存与调度策略——而不改变变异、交叉、选择本身的逻辑含义。算法层仍然按演化语义组合算子，因此在相同随机种子下，优化前后的演化轨迹与结果应当一致。一句话概括：张量化解决“批量算得快不快”，计算图编译解决“内核调度得优不优”，而“算的是什么”保持不变。