Evolución de doble nivel y mecanismos de adaptación

Evolución de doble nivel interno-externodesacopla «resolver tareas concretas» y «mejorar los métodos de resolución» en dos ciclos evolutivos que interactúan entre sí:nivel internoorientado a la resolución de tareas y a la obtención de un rendimiento operativo,nivel externoevoluciona, a partir de ese rendimiento, la configuración y las estrategias del algoritmo del nivel interno, dando lugar así a un mecanismo de mejora algorítmica adaptable. No se trata de encadenar sin más dos algoritmos, sino de añadir, por encima de la capa de resolución de tareas, un control meta-capa evolutivo que hace que el sistema pase de «algoritmos configurados manualmente» a «algoritmos que se adaptan automáticamente a la tarea».

Reparto de funciones entre el nivel interno y el externo

Función del nivel interno: resolver las tareas reales y generar soluciones candidatas, valores objetivo y datos de rendimiento operativo. Es el responsable de «resolver el problema».
Función del nivel externo: no resolver directamente la tarea original, sino evolucionar la configuración, las estrategias y los parámetros del algoritmo del nivel interno. Es el responsable de «mejorar el método de resolución».
Bucle de retroalimentación: los resultados de evaluación de las tareas del nivel interno se agregan como señal de aptitud del nivel externo, que se usa para seleccionar, mutar y actualizar configuraciones internas mejores.
Mecanismo de adaptación: el nivel externo ajusta continuamente las estrategias del nivel interno según los cambios en las tareas y el entorno.
Soporte de paralelismo: la GPU puede ejecutar en paralelo gran cantidad de tareas del nivel interno, proporcionando a la evolución del nivel externo una retroalimentación estadística más completa y reduciendo el coste de espera en la búsqueda.

MetaDE: mejorar la evolución mediante la evolución

Tomando MetaDE como ejemplo, el DE del nivel interno se encarga de tareas de optimización concretas, mientras que el algoritmo evolutivo del nivel externo selecciona y ajusta la configuración y las estrategias del DE según el rendimiento operativo del nivel interno; los resultados de gran cantidad de tareas internas guían a su vez la selección de la configuración externa, formando un bucle cerrado de doble nivel que «mejora la evolución mediante la evolución».

Distinción clave

El nivel interno produce «soluciones»; el nivel externo produce «mejores métodos para generar soluciones». La aptitud del nivel externo no es el valor óptimo de la tarea original en sí, sino la evaluación del rendimiento de una configuración del nivel interno sobre un lote de tareas.

Objetivo de aprendizaje

Dominar la relación de colaboración entre la resolución de tareas del nivel interno y la optimización de estrategias del nivel externo, comprender que la evolución de métodos añade un control meta-capa evolutivo sobre el nivel interno, y ser capaz de explicar cómo el paralelismo en GPU proporciona al nivel externo una retroalimentación estadística más fiable.

Interacción de la arquitectura de evolución de doble nivel

La figura representa el reparto de funciones mediante dos ciclos, interno y externo: el nivel interno resuelve tareas reales y produce soluciones candidatas y rendimiento operativo; el nivel externo agrega ese rendimiento en forma de aptitud, y selecciona, muta y actualiza la configuración y las estrategias del algoritmo del nivel interno. La GPU ejecuta en paralelo gran cantidad de tareas internas, proporcionando al nivel externo una retroalimentación estadística más completa y formando un bucle cerrado de doble nivel que «mejora la evolución mediante la evolución».

Pregunta 1

En la evolución de doble nivel interno-externo, ¿cuál es la función principal del algoritmo del nivel interno?

Encargarse únicamente de asignar la memoria de la GPU al nivel externo

Evolucionar directamente la configuración y las estrategias del algoritmo del nivel interno

Resolver las tareas reales y generar soluciones candidatas, valores objetivo y datos de rendimiento operativo

Sustituir la función de aptitud del nivel externo y producir directamente la configuración óptima

Pregunta 2

¿Por qué la capa de evolución del nivel externo no resuelve directamente la tarea original?

Porque el nivel externo debe detenerse al mismo tiempo que el nivel interno

Porque el nivel externo solo puede procesar cadenas de texto

Porque el nivel externo no tiene función de evaluación

Porque el nivel externo debe evolucionar la configuración, las estrategias y los parámetros del algoritmo del nivel interno, lo que constituye un control meta-capa

Pregunta 3

¿Cómo influyen los resultados de evaluación de las tareas del nivel interno en la evolución del nivel externo?

Se descartan y el nivel externo solo usa perturbaciones aleatorias

Se convierten directamente en la solución óptima de la tarea original

Se agregan como señal de aptitud del nivel externo, que se usa para seleccionar, mutar y actualizar la configuración del nivel interno

Solo sirven para aumentar la temperatura de la GPU

Pregunta 4

¿Cuál es la función más importante del paralelismo en GPU de gran cantidad de tareas internas para la evolución de doble nivel?

Hace que las tareas del nivel interno se conviertan automáticamente en problemas de un solo objetivo

Proporcionar una retroalimentación estadística más completa y reducir el coste de espera en la búsqueda

Garantizar que el nivel externo encuentre siempre el óptimo global

Hacer que el nivel externo ya no necesite evaluación de aptitud

Pregunta 5

¿Qué relación describe con mayor precisión «mejorar la evolución mediante la evolución»?

Los niveles interno y externo usan exactamente la misma función objetivo y no hay transferencia de información

El nivel interno solo se inicia tras el entrenamiento y el nivel externo solo se ejecuta antes del entrenamiento

El nivel externo sustituye directamente todas las soluciones candidatas del nivel interno

El nivel externo evoluciona la configuración y las estrategias del algoritmo del nivel interno, y el rendimiento del nivel interno retroalimenta la aptitud del nivel externo

Caso: despliegue de doble nivel de MetaDE en la programación de optimización combinatoria

Lee el escenario y responde a las preguntas.

Un equipo utiliza MetaDE para resolver un problema de programación de taller con restricciones complejas. El nivel interno emplea evolución diferencial (DE) para resolver en paralelo, sobre la GPU, gran cantidad de instancias de la tarea, produciendo para cada instancia la solución candidata, el valor objetivo y el número de pasos de convergencia; el nivel externo mantiene un conjunto de configuraciones y estrategias del DE (como estrategia de mutación, tasa de cruce y tamaño de población). El equipo quiere que el sistema mantenga un rendimiento estable incluso cuando cambia la distribución de las tareas.

Delimita las funciones del nivel interno y del nivel externo en este escenario y explica cómo se forma el bucle de retroalimentación.

Respuesta:
Función del nivel interno: el DE resuelve instancias de programación concretas y genera rendimiento operativo como soluciones candidatas, valores objetivo y pasos de convergencia. Función del nivel externo: no programa directamente, sino que evoluciona la configuración y las estrategias del DE (estrategia de mutación, tasa de cruce, tamaño de población, etc.). Bucle de retroalimentación: el rendimiento de las tareas por lotes del nivel interno se agrega como señal de aptitud del nivel externo, y este selecciona, muta y actualiza configuraciones internas mejores a partir de ella; la configuración actualizada vuelve al nivel interno, cerrando así el bucle.

Si la varianza de los resultados de evaluación de las tareas del nivel interno es muy grande, ¿cómo debería ajustarse el diseño de la aptitud del nivel externo? ¿Qué papel desempeña aquí el paralelismo en GPU?

Respuesta:
Conviene construir la aptitud del nivel externo usando el rendimiento medio de repeticiones múltiples o de lotes de tareas, la mediana, estadísticos robustos o una cota inferior de confianza con penalización, para reducir las selecciones erróneas causadas por una varianza alta; si es necesario, aumentar el número de muestras de evaluación por cada configuración. El paralelismo en GPU permite ejecutar por lotes gran cantidad de tareas internas, ampliando el tamaño de muestra y acortando los tiempos de espera, lo que hace más estable la estimación de aptitud del nivel externo y permite seleccionar y actualizar la configuración interna con mayor fiabilidad.