批量张量计算的核心方法

在 EvoX 的张量化底座中，批量张量计算处于算法表达层：它把演化循环里的候选、评价与状态统一映射为带批维度的张量，再交给 GPU 友好的批量算子与编译计算图执行。目标十分明确——把“逐个体串行演化”改造成“整种群并行演化”，让算力真正作用在搜索本身，而不是消耗在调度与启动上。

一、把演化过程表达成张量

约定批维度 N 表示候选（个体）数，则演化中的三要素可以直接落成张量：

• 候选张量：种群 X 组织为 [N × D]，D 是单个候选的决策变量个数。
• 目标张量：目标与约束 F 组织为 [N × M]，M 是目标/约束项数；多目标情形下，各目标即 F 的不同列。
• 状态量：代数、当前最优值、步长等用标量或小张量缓冲维护，而不是用 Python 对象逐个体记录。

这样一来，交叉、变异、选择、评价全部沿 N 维批处理，演化循环中不再出现逐个体的分支与控制流。

二、批量算子：从 N 次单候选调用到一次批运算

三个最小可对照的表达式，勾勒出批量算子的基本形态：

• 变异：X′ = X + σ·randn(X)，整批候选在一次批量运算中各自获得随机扰动，σ 控制扰动强度。
• 选择：idx = topk(F, k)，在 N 个候选的适应度上一次选出前 k 个候选的索引。
• 评价：Y = f_θ(X)，用一次批前向或批仿真替代 N 次单候选调用。

关键并不在某个具体算子，而在于所有候选共享同一张张量运算图：一次批调用即可削减解释器开销与内核启动开销，使 GPU/多核算力真正作用于演化搜索。约束与越界处理同样可以用掩码张量在同一批运算内完成，不必为个别候选单独走分支。

三、计算图优化与吞吐量指标

把多代演化写成可编译的数据流图，还能进一步榨取性能：算子融合减少内核启动次数，批内并行让全候选同时执行，异步执行让计算与数据传输彼此重叠，内存复用减少中间张量分配。相应地，性能指标也应从“单步延迟”转向候选/秒或代/秒的吞吐量——批量执行下一次调用就处理整批候选，只有整体吞吐才真实反映搜索效率。