Implementación de la evolución de métodos típicos: arquitectura MetaDE

La evolución diferencial (DE) tradicional deja que el investigador predefina la estrategia de mutación y los parámetros de control clave, y los mantiene invariables durante todo el proceso de búsqueda. El cambio central de MetaDE es:tratar la propia configuración del algoritmo como objeto de evolución—la evolución externa busca en el espacio de algoritmos y la evaluación interna mide el desempeño en el espacio de soluciones, convirtiendo así el «cómo evolucionar» de una preconfiguración manual en una búsqueda adaptativa.

Estructura de dos niveles: el nivel externo busca algoritmos, el interno resuelve el problema

Nivel interno: el proceso habitual de resolución de la evolución diferencial sobre la tarea de optimización original, encargado de proporcionar el desempeño real en la tarea.
Nivel externo: toma una configuración del algoritmo DE como un individuo y aplica selección, cruce, mutación y eliminación sobre el espacio de configuraciones.

Las responsabilidades de ambos niveles no deben confundirse: el objeto de optimización del nivel externo esla configuración del algoritmo, y el objeto de optimización del nivel interno esla solución del problema. El primero determina «cómo buscar» y el segundo, «qué tan bueno es lo encontrado».

Qué evoluciona el nivel externo

Un individuo externo no codifica unos cuantos números, sino todo un conjunto de comportamientos del algoritmo: la estrategia de mutación (rand/1, best/1, current-to-best/1, etc.), el tipo de cruce (binomial, exponencial) y parámetros de control como el factor de escala F, la probabilidad de cruce CR y el tamaño de la población. Las diferencias entre individuos corresponden precisamente a las distintas tendencias de comportamiento de una misma familia de algoritmos ante diferentes características del problema.

Bucle cerrado de verificación: las configuraciones candidatas deben ejecutarse de verdad una vez

Ninguna configuración candidata puede aceptarse o descartarse solo con base en metaindicadores o juicios a priori: debe enviarse a la tarea original para ejecutarse realmente y someterse a la verificación del desempeño real. Después, el nivel externo realiza la selección, la eliminación y la conservación según la aptitud retroalimentada por el nivel interno, decidiendo qué configuraciones se heredan y se propagan. Así se forma un bucle iterativo cerrado de «generación de configuración → verificación en la tarea → aceptación según la retroalimentación», en el que la aptitud externa solo puede provenir de los resultados de ejecución reales del nivel interno.

Diferencias con la DE de parámetros fijos

En la DE tradicional, el investigador predefine la estrategia y los parámetros y estos permanecen fijos durante todo el proceso; MetaDE traslada esa decisión a la evolución externa, dotando al algoritmo de capacidad de adaptación a las características del problema; por ejemplo, en las primeras fases de la búsqueda prefiere rand/1, con mayor capacidad exploratoria, y valores de F más altos, mientras que en fases posteriores pasa a best/1, de convergencia más rápida, y valores de F más pequeños.

Costo y requisitos previos

Cada configuración candidata debe ejecutar por completo una vez la tarea del nivel interno (normalmente también varias ejecuciones independientes para promediar y así atenuar la aleatoriedad), y el costo de evaluación se multiplica según el tamaño de la población externa y el número de generaciones. Por ello, MetaDE depende en gran medida de bases de ingeniería como la paralelización, la tensorización y la planificación en tiempo de ejecución; esta es precisamente la razón de ingeniería por la que debe construirse sobre un Runtime tensorizado.

Ejemplo mínimo ejecutable

Tomemos como ejemplo un conjunto de tareas de optimización continua: cierto individuo de la población externa está codificado como «rand/1 + cruce binomial + F=0.5, CR=0.9»; esa configuración se envía a la tarea del nivel interno y se ejecuta varias veces de forma independiente, tomando la aptitud media como aptitud del individuo externo; a partir de ella, el nivel externo selecciona, muta y conserva las mejores configuraciones, formando un bucle iterativo cerrado de «generación de configuración—verificación en la tarea—aceptación según la retroalimentación». Este paso es la forma mínima ejecutable de «mejorar algoritmos evolutivos con algoritmos evolutivos».

Posicionamiento: MetaDE es la concreción del «mecanismo de evolución y adaptación de dos niveles, interno y externo» como una arquitectura implementable, y ofrece un paradigma metodológico para la evolución posterior de estructuras de algoritmos (AutoPSO, EvoGO).

Estructura de dos niveles de MetaDE y flujo de verificación de tareas

El diagrama muestra el flujo de dos niveles de MetaDE: el nivel externo toma un conjunto completo de configuraciones de DE como individuo y aplica selección, cruce, mutación y eliminación; las configuraciones candidatas deben enviarse a la tarea original del nivel interno para ejecutarse realmente, normalmente varias veces de forma independiente, y se toma la aptitud media, que se retroalimenta para decidir cuáles se conservan y se propagan. Así, la estrategia de mutación, el tipo de cruce y ajustes como F y CR pasan de una preconfiguración manual a una búsqueda adaptativa.

Pregunta 1

¿Cuál es el objeto sobre el que opera directamente la evolución del nivel externo en MetaDE?

La propia función de aptitud de la tarea del nivel interno

Un conjunto de soluciones candidatas de la tarea de optimización original

El límite superior del tamaño de la población externa

La configuración del algoritmo de evolución diferencial, incluida la estrategia de mutación, el tipo de cruce y los parámetros de control

Pregunta 2

¿Por qué cada configuración candidata debe ejecutarse realmente en la tarea original y no puede evaluarse solo con metaindicadores?

Porque la tarea del nivel interno necesita que el nivel externo le proporcione parámetros para poder iniciarse

Porque ejecutarla de verdad una vez puede reducir el tamaño de la población externa

Porque el costo de cálculo de los metaindicadores es mayor que el de la ejecución real

Porque solo los resultados de ejecución reales pueden servir como base fiable de aptitud para la selección del nivel externo, ya que los juicios a priori suelen no coincidir con el desempeño real

Pregunta 3

En comparación con la evolución diferencial tradicional de parámetros fijos, ¿cuál es el cambio más importante de MetaDE?

La estrategia y los parámetros de control ya no permanecen fijos durante todo el proceso, sino que los determina dinámicamente la evolución del nivel externo

Reemplaza la evolución diferencial por un algoritmo de optimización completamente distinto

Elimina la etapa de evaluación de aptitud

Solo es aplicable a problemas de optimización combinatoria discreta

Pregunta 4

¿De dónde proviene el principal costo computacional de MetaDE?

La longitud de la cadena de codificación de la configuración

El costo de ordenación del operador de selección del nivel externo

Cada configuración candidata debe ejecutar por completo una vez la tarea del nivel interno, y el costo de evaluación se multiplica según el tamaño del nivel externo y el número de generaciones

El costo de dibujo del canal de verificación en el diagrama de arquitectura

Pregunta 5

Respecto a la relación entre MetaDE y trabajos posteriores (AutoPSO, EvoGO), ¿cuál de las siguientes afirmaciones es correcta?

MetaDE ofrece un paradigma implementable de «mejorar algoritmos evolutivos con algoritmos evolutivos» y sirve de referencia metodológica para la evolución posterior de estructuras de algoritmos

MetaDE no tiene relación con la evolución de estructuras de algoritmos

AutoPSO y EvoGO son métodos con parámetros fijos durante todo el proceso

MetaDE reemplaza el proceso de resolución del nivel interno con la evolución del nivel externo

Caso: configuración de MetaDE con un presupuesto de evaluación limitado

Lee el escenario y responde las dos preguntas siguientes.

Un equipo quiere realizar una configuración automática de algoritmos sobre un conjunto de funciones de referencia de optimización continua. Toma una configuración de DE (estrategia de mutación + tipo de cruce + factor de escala F y probabilidad de cruce CR + tamaño de población) como individuo externo, con una población externa inicial de 20 individuos y un plan de 15 generaciones de evolución; cada configuración candidata se ejecuta de forma independiente 10 veces en la tarea correspondiente del nivel interno y se toma la aptitud media como aptitud de ese individuo. Como el clúster solo puede ejecutar en paralelo un número limitado de tareas internas por ronda, el presupuesto total de evaluaciones del equipo queda restringido.

1. ¿Por qué no se pueden puntuar las configuraciones candidatas solo con metaindicadores o experiencia histórica, sino que cada una debe ejecutarse en la tarea original?

Respuesta:
Porque no existe una garantía fiable de consistencia entre los metaindicadores o la experiencia previa y el desempeño real en la tarea; en última instancia, la calidad de una configuración solo puede definirse mediante resultados de ejecución reales. Solo tomando como base de selección la aptitud retroalimentada por la tarea del nivel interno se fundamentan en evidencia fiable la selección, la eliminación y la conservación del nivel externo, lo cual es precisamente la condición necesaria del bucle cerrado de verificación de MetaDE. Si se recurriera a una puntuación sustituta, el nivel externo muy probablemente conservaría configuraciones «aparentemente razonables pero de mal desempeño real», la dirección de la evolución se desviaría de forma sistemática y el resultado final sería un conjunto de configuraciones que lucen bien en los metaindicadores pero son inútiles en la tarea real.

2. Dado que la capacidad de paralelización del clúster es limitada, ¿cómo elegirías entre el tamaño de la población externa y el número de generaciones, por un lado, y el número de ejecuciones repetidas del nivel interno, por otro? Propón una solución y justifícala.

Respuesta:
El primer paso es estimar el presupuesto total de evaluaciones: tamaño de la población externa × número de generaciones × número de repeticiones internas. El segundo paso es distribuirlo en consecuencia: comprimir razonablemente el tamaño de la población externa o el número de generaciones y garantizar prioritariamente que el número de repeticiones internas no sea inferior al nivel necesario para estimar de forma estable la media (por ejemplo, entre 5 y 10 veces). La razón es que, si las repeticiones internas son demasiado pocas, la aptitud del individuo queda dominada por la aleatoriedad, la selección del nivel externo persigue en realidad ruido, la señal evolutiva se contamina y resultará difícil converger por muchas generaciones adicionales que se realicen. Al mismo tiempo, conviene aumentar el grado de paralelización y distribuir en paralelo las tareas internas de los individuos de la misma generación, de modo que el tiempo de reloj disminuya con la paralelización en lugar de crecer linealmente con el presupuesto; si es necesario, usar parada temprana o modelos sustitutos para un prefiltrado que ahorre presupuesto, pero toda candidata que llegue a la comparación final y determine su permanencia o descarte debe seguir sometiéndose a la verificación real en la tarea original.