MetaDE: arquitectura anidada de algoritmos que optimizan algoritmos

En la lección anterior vimos cómo los sistemas evolutivos acumulan capacidades mediante el ciclo cerrado de «generación—evaluación—selección—herencia». En esta lección llevamos esa idea un nivel más adentro: no se trata solo de que el algoritmo resuelva problemas, sino de que el algoritmo mejore al algoritmo.MetaDE es precisamente una arquitectura evolutiva anidada: divide la evolución diferencial (DE) en dos capas, una interna y otra externa, y convierte la «optimización de algoritmos por algoritmos» en un proceso computacional ejecutable.

1. La división de tareas entre las dos capas: quién resuelve y quién evoluciona

MetaDE organiza la DE en dos capas, una interna y otra externa, cuyos objetos de trabajo son completamente distintos:

DE interna (capa de tareas): se orienta a tareas de optimización reales, mantiene una población de soluciones candidatas y ejecuta repetidamente mutación, cruce y selección para acercarse progresivamente a soluciones de alta calidad. Responde a la pregunta «¿qué tal se está resolviendo este problema?».
DE externa (capa meta): se orienta al propio algoritmo. Cada individuo de la población no es una solución de la tarea, sino una configuración completa de «estrategia de mutación + parámetros», por ejemplo qué tipo de mutación emplear y qué valores tomar para el factor de escala y la probabilidad de cruce. Responde a la pregunta «¿es útil esta configuración del algoritmo?».

Por lo tanto, la capa externa no optimiza directamente las variables de la tarea; estas siempre quedan a cargo de la capa interna. Lo único que cambia la capa externa es el «manual de trabajo» de la capa interna.

2. El ciclo cerrado de interacción: envío de configuraciones y retorno del rendimiento

Las dos capas se acoplan mediante un canal bidireccional que forma un ciclo cerrado: la capa externa genera primero una configuración del algoritmo y la envía (→) a la capa interna; la capa interna ejecuta la tarea según esa configuración y, al terminar, devuelve a la capa externa el rendimiento obtenido (→); a partir de ello, la capa externa conserva y recombina las configuraciones con mejor desempeño y genera la siguiente ronda de configuraciones. Todo el flujo puede resumirse así: configuración externa → resolución interna → rendimiento en la tarea → actualización externa, en un ciclo continuo.

Este ciclo cerrado aporta una propiedad clave: la estrategia de mutación y los parámetros del algoritmo interno ya no se fijan de una vez por todas de forma manual, sino que se reescriben continuamente a medida que avanza la búsqueda externa; de este modo, el algoritmo obtiene una vía de mejora propia.

3. La condición para que sea ejecutable: paralelismo y equilibrio de costos

La estructura anidada no está exenta de costos. Cada evaluación externa exige ejecutar por completo una configuración sobre la tarea, lo que amplifica notablemente el costo de evaluación; cuanto mayor es la población externa, mayor es el gasto total. Esta es precisamente la razón por la que MetaDE depende del paralelismo con GPU: pueden evaluarse simultáneamente varias configuraciones internas y el tiempo de cada iteración externa se reduce drásticamente, lo que hace que la meta-evolución anidada sea viable en la práctica. Dicho a la inversa, si los recursos de paralelismo disponibles son insuficientes, suele ser más realista reducir la escala de la capa externa o disminuir la precisión de la evaluación interna que ampliar la búsqueda a ciegas.

Malentendido frecuente

No es correcto equiparar MetaDE con el «ajuste manual de parámetros». El ajuste manual es un ensayo y error puntual que queda fuera del ciclo, mientras que MetaDE incorpora la propia configuración al ciclo evolutivo: la configuración se genera, evalúa y recombina repetidamente, y el objeto de búsqueda es la combinación de «estrategia de mutación + parámetros», no solo algunos valores numéricos.

Arquitectura evolutiva anidada de MetaDE

La figura muestra la estructura de dos capas de MetaDE: los individuos de la población de la capa meta externa son configuraciones completas de estrategia de mutación y parámetros, y se encargan de evolucionar las configuraciones del algoritmo; la capa de tareas interna mantiene la población de soluciones candidatas según la configuración enviada por la capa externa y resuelve tareas de optimización reales. Las dos capas se acoplan mediante un canal bidireccional: la externa envía la configuración, la interna devuelve el rendimiento en la tarea y, a partir de ello, la externa conserva y recombina las mejores configuraciones, formando un ciclo cerrado de mejora propia del algoritmo.

Pregunta 1

En la estructura anidada de MetaDE, ¿cuál es la responsabilidad directa de la DE interna?

Iterar soluciones candidatas en la tarea de optimización concreta y reportar el rendimiento en la tarea

Evolucionar la estrategia de mutación y los parámetros que utiliza el algoritmo interno

Determinar el tamaño de la población externa y el número de dispositivos paralelos disponibles

Evaluar la calidad del proceso de búsqueda de la capa externa

Pregunta 2

¿Qué representa cada individuo de la población de la DE externa?

Una función objetivo fija e invariable

Una configuración de estrategia de mutación y parámetros de la DE interna

El registro del tiempo consumido en una evaluación de la tarea interna

Una solución candidata de la tarea pendiente de resolver

Pregunta 3

En el ciclo cerrado de interacción entre las dos capas, ¿cuál es la información clave que la capa interna devuelve a la externa?

El ajuste de la probabilidad de cruce de la población externa

Los valores iniciales de la configuración del algoritmo interno

La retroalimentación de rendimiento obtenida tras ejecutar la capa interna en la tarea

El uso de memoria de los dispositivos paralelos

Pregunta 4

¿Por qué el paralelismo con GPU es especialmente crucial para llevar MetaDE a la práctica?

Porque solo la GPU puede ejecutar la mutación y la selección de la evolución diferencial

Porque la evaluación anidada multiplica el costo computacional y el paralelismo reduce el costo temporal de la búsqueda de la capa meta

Porque el paralelismo garantiza que la capa externa encuentre la configuración óptima global

Porque el paralelismo permite prescindir de la evaluación de las configuraciones internas

Pregunta 5

¿Cuál de las siguientes afirmaciones describe con precisión la diferencia entre MetaDE y el «ajuste manual de parámetros» o una búsqueda en cuadrícula de una sola vez?

Son totalmente equivalentes, solo cambia el nombre

En MetaDE la capa externa optimiza directamente las variables de la tarea y la interna solo registra los resultados

MetaDE solo busca parámetros numéricos y no interviene en la estrategia de mutación

MetaDE incorpora la configuración del algoritmo al ciclo evolutivo, y esta se genera, evalúa y recombina continuamente

Caso: usar MetaDE para evolucionar el solucionador interno

Lee el escenario y responde las dos preguntas siguientes.

Un equipo quiere encontrar soluciones de alta calidad para una tarea de optimización de rutas logísticas. Ya no definen manualmente la estrategia de mutación ni los parámetros de la evolución diferencial, sino que utilizan MetaDE: la DE externa mantiene varias configuraciones de «estrategia de mutación + parámetros», y la DE interna se ejecuta en la tarea según la configuración asignada y devuelve la calidad de la ruta y el tiempo consumido. El equipo solo dispone de un servidor con 8 GPU y el presupuesto para una evaluación completa es limitado.

1. Indica qué elementos de este escenario pertenecen al espacio de búsqueda de la capa externa y cuáles al proceso de resolución de la capa interna; explica además el valor de incluir la estrategia de mutación en la evolución de la capa externa en lugar de fijarla manualmente.

Respuesta:
El espacio de búsqueda externo es el «conjunto de configuraciones del algoritmo», es decir, qué estrategia de mutación se adopta y qué valores toman sus parámetros correspondientes (como el factor de escala y la probabilidad de cruce); la capa externa selecciona y recombina estas configuraciones. El proceso de resolución interno consiste en mantener soluciones candidatas en una tarea fija de optimización de rutas, ejecutar repetidamente mutación, cruce y selección y reportar el rendimiento en la tarea, como la calidad de las soluciones. El valor de incluir la estrategia de mutación en la evolución externa radica en que el objeto de búsqueda se amplía de «unos cuantos valores numéricos» a «la combinación de estrategias y parámetros». Cuando la estructura de la tarea es distinta, o cuando la búsqueda se encuentra en fases diferentes (más exploración al principio, más convergencia al final), la estrategia adecuada cambia por sí misma; delegar esto a la evolución externa permite realizar automáticamente ese cambio de estrategia y evita los resultados subóptimos y el ensayo y error constante que implica fijar manualmente una sola estrategia durante mucho tiempo.

2. La evaluación anidada eleva notablemente el tiempo total. Combinando el paralelismo con GPU y el control del presupuesto de evaluación, propón medidas concretas para hacer viable esta arquitectura y explica sus compromisos.

Respuesta:
Medidas concretas: (1) Evaluación por lotes en paralelo: distribuir simultáneamente varias configuraciones de un lote externo en múltiples GPU para ejecutar la DE interna, de modo que el tiempo real de una iteración externa pase de «suma en serie» a «máximo en paralelo», comprimiendo notablemente el tiempo de búsqueda de la capa meta. (2) Evaluación por niveles: la capa interna realiza primero una evaluación rápida con una población más pequeña o menos iteraciones, y solo las pocas configuraciones con mejor desempeño reciben una evaluación completa, formando un filtrado de dos niveles, de lo grueso a lo fino. (3) Restringir el alcance de la búsqueda: limitar el tamaño de la población externa y el número de iteraciones, además de almacenar en caché y reutilizar las configuraciones ya evaluadas para evitar cálculos repetidos. Compromisos: cuanto más superficial es la evaluación interna, mayor es el ruido en la retroalimentación de rendimiento y más probable es que la capa externa elija configuraciones que «destacan por casualidad»; cuanto mayor es el grado de paralelismo, mayores son el uso de memoria y el costo de planificación, y además el paralelismo acorta el tiempo real, no el cómputo total. Por ello hay que equilibrar la precisión de la evaluación interna, la amplitud de la búsqueda externa y el presupuesto de hardware, en lugar de ampliar la búsqueda sin más.