高強度並行演化探索的基石

EvoX 之所以能夠支撐高強度並行演化探索，其基石可以概括為一句話：從候選列表到張量化計算圖。傳統演化實驗把每個個體當作獨立的 Python 物件，逐個建模、逐個評價；當候選規模擴大到成千上萬時，真正的瓶頸往往不再是演算法本身，而是逐候選的排程、同步與 I/O 開銷。EvoX 的做法是：把種群、評價與執行時狀態重新組織為可整體計算的張量，再由統一 Runtime 排程到 GPU 與異構算力上批次執行，從而支撐大規模、多目標、多解並行的演化搜尋。

三大張量化物件

張量化不是對某一處做局部優化，而是貫穿演化迴圈的三個層面。任何一層退回逐物件迴圈，並行度都會在那一層被卡住。

• 種群張量化：個體參數、基因或策略不再逐個 Python 物件迴圈，而是按批次維度組織為張量，個體之間的差異由張量的其中一個維度乘載。
• 評價張量化：適應度、約束、多目標指標以及模擬或模型評價結果可批次計算，同一批次內的候選共享一次裝置呼叫，顯著降低逐候選排程與 I/O 開銷。
• 狀態張量化：演化代數、隨機種子、快取與監控指標等執行時狀態被統一管理，使並行加速之後的實驗依然可重現、可追蹤。

計算圖化與統一架構

把候選列表提升為張量化計算圖之後，算子並行與編譯優化才有施展空間：種群規模與評價並行度可以隨算力擴展，而不是被直譯器迴圈鎖死。與之配套的是統一架構——演算法、問題、工作流與監視、Runtime 排程器相互解耦：演算法可組合、問題可插拔、異構算力統一管理，使用者在撰寫演算法時不必同時操心底層排程。

這一底座最直接的收益是突破串行瓶頸：替代傳統 CPU 串行迴圈，在 GPU 與異構算力上實現大規模加速，為高強度探索提供穩定的吞吐基礎；在相同的牆鐘時間內，可以探索更多候選、更多目標組合或更多隨機重複。

例如，設一次演化實驗需要評價大量候選方案。傳統做法是在 CPU 上逐個候選呼叫評價函式，排程、同步與 Python 迴圈可能主導耗時；EvoX 將候選矩陣批次送入裝置，由 Runtime 排程算子與評價，並統一記錄狀態與監視指標，使相同牆鐘時間內可探索更多候選、更多目標組合或更多隨機重複。這也正是真實世界多目標問題（例如超臨界翼型設計中巡航升阻比與臨界抖振升力係數彼此牽制）需要保留多樣化候選方案時的工程支撐。