算子並行與編譯優化

在 EvoX 的現代運算底座中，演化算子的最小執行單元不再是「個體」，而是整個族群張量：突變、交叉、選擇等算子一次呼叫即可涵蓋全部個體；在此之上，計算圖編譯將算子序列組織成可最佳化的執行計畫，在保持演算法語意不變的前提下提升執行效率。

算子並行：以張量為單位的批次演化

• 張量級算子：突變、交叉、選擇可直接作用於形狀為 [N, D] 的族群張量（N 為族群規模，D 為決策變數維度），一次算子呼叫涵蓋全部 N 個個體。
• 消除逐個體迴圈：不必再寫 for ind in population: ind = mutate(ind) 這樣的 Python/CPU 串行迴圈，從而減少頻繁的函式排程與框架呼叫開銷。
• 用批次維度換取吞吐量：個體維度充當批次維度後，算子在裝置上以大規模並行方式執行，批次演化的吞吐量隨族群規模放大。

計算圖編譯：從算子序列到執行計畫

把「突變 → 交叉 → 選擇」的算子依賴關係組織成一張計算圖，編譯器就能在整張圖上做全域最佳化，而不只是逐個算子地呼叫現成實作：

• 算子融合：把多個逐元素（element-wise）運算合併成一個核心，減少中間張量的產生與反覆讀寫。
• 核心生成與排程：為融合後的子圖生成高效核心，用更少的 kernel 啟動次數完成整代演化。
• 記憶體複用：為中間結果預先規劃緩衝區，降低顯存分配與資料搬移帶來的額外開銷。

效率變了，語意沒變

需要區分「怎麼算」與「算什麼」。算子並行與編譯最佳化只改變執行方式——核心數量、中間張量規模、記憶體與排程策略——而不改變突變、交叉、選擇本身的邏輯含義。演算法層仍然按演化語意組合算子，因此在相同隨機種子下，最佳化前後的演化軌跡與結果應當一致。一句話概括：張量化解決「批次算得快不快」，計算圖編譯解決「核心排程得優不優」，而「算的是什麼」保持不變。