# Sistema de Evolución Inteligente EvoX y Práctica de Investigación Científica AI Native — Material Didáctico del Curso

Duración: 1 · Páginas de diapositivas: 16

## Navegación de Lectura

- [Lección 5｜Tema: Evolución de Métodos: De Optimizar Soluciones a Optimizar el Algoritmo en Sí](#lecture-lesson-1)

---

<a id="lecture-lesson-1"></a>

## Lección 5｜Tema: Evolución de Métodos: De Optimizar Soluciones a Optimizar el Algoritmo en Sí

<a id="lecture-page-1"></a>

### Evolución de Métodos: De Optimizar Soluciones a Optimizar el Algoritmo en Sí

*Página 1*

> **Objetivo de la página:** Explorar mecanismos de evolución de métodos como MetaDE y AutoPSO, aprendiendo cómo incorporar los métodos que generan candidatos al objeto de optimización, logrando la auto-evolución del algoritmo.

> **Objetivo de la página**
>
> Comprender la idea central de la evolución de métodos (Meta-Evolution), dominar la arquitectura que delega las estrategias de mutación e hiperparámetros a la optimización evolutiva externa, logrando la transición del algoritmo desde la optimización de soluciones hacia la optimización del algoritmo mismo.

> **Orden de exposición**
>
> Dado un problema, optimizar soluciones candidatas.
>
> Las estrategias de mutación e hiperparámetros de algoritmos (como Evolución Diferencial DE, Enjambre de Partículas PSO) generalmente dependen del diseño manual o ajuste empírico de parámetros.
>
> Tomar la configuración del algoritmo (estrategia, parámetros) como individuos de la evolución externa, mientras que el algoritmo interno se encarga de resolver el problema original.
>
> La evolución externa busca automáticamente la mejor combinación de estrategias de mutación e hiperparámetros.
>
> 5. Resumir la arquitectura de optimización de doble nivel y el significado de la auto-evolución.

**Puntos clave de enseñanza**

- El objeto de optimización se eleva desde la "solución" hacia el "método/algoritmo". Optimización de doble nivel. La evolución externa optimiza la configuración del optimizador interno (como estrategia de mutación, tasa de cruce, peso de inercia, factor de aprendizaje, etc.)
- La aptitud externa es el rendimiento del nivel interno en problemas de validación (como valor óptimo promedio, velocidad de convergencia). Seleccionar o generar automáticamente estrategias de mutación y ajustar parámetros para DE
- Configurar automáticamente los parámetros y la topología de PSO. Reducir el ajuste manual de parámetros, descubrir estrategias novedosas, mejorar la capacidad de generalización entre problemas
- La optimización anidada conlleva un aumento significativo de la sobrecarga computacional.

**Verificación de comprensión**

Pedir a los estudiantes que respondan — En la evolución de métodos, ¿qué representan los individuos del algoritmo externo? ¿Qué papel desempeña el algoritmo interno? ¿Cómo se define la aptitud?

> **Sugerencia de transición**
>
> Una vez comprendida la arquitectura de doble nivel, el contenido posterior puede desarrollar los detalles de implementación y resultados experimentales de MetaDE o AutoPSO.

<a id="lecture-page-2"></a>

### Antecedentes Centrales y Motivación de la Evolución de Métodos

*Página 2*

> **Objetivo de la página:** Los estudiantes deben comprender las limitaciones de la preselección manual que enfrentan los métodos de optimización tradicionales tras la expansión de la capacidad computacional.

**Puntos clave de enseñanza**

- La versión en una frase de la evolución de métodos es: <em>las soluciones están evolucionando, y los métodos que producen soluciones también están evolucionando</em>. Cualquier enfoque que "solo ajuste parámetros sin cambiar mecanismos" puede usarse para determinar si uno se queda en el primer nivel o ha ascendido al segundo.
- El ajuste de hiperparámetros generalmente consiste en una búsqueda offline única antes de la ejecución, fijando un valor seleccionado, lo cual sigue siendo esencialmente una preselección manual; la evolución de métodos toma el método mismo como objeto de búsqueda durante la ejecución, ajustándose continuamente según la retroalimentación. El criterio de juicio es: ¿cambia este mecanismo de generación de candidatos durante la ejecución?
- ¿Puedes explicar la diferencia entre ambos lados? Si solo puedes decir "el lado derecho calcula más rápido y encuentra mejores resultados", significa que aún no has captado el punto clave; el punto clave es que el objeto de búsqueda del lado derecho tiene una capa adicional — el método mismo entra en el ciclo de ser buscado, evaluado y actualizado.

【Objetivo de la página】

Cuando la escala de cómputo ya no constituye un cuello de botella, lo que realmente limita el efecto de la evolución es que "el método mismo de generar soluciones candidatas sigue siendo preestablecido manualmente y fijado a largo plazo". Solo comprendiendo esta deficiencia se puede hablar posteriormente de incorporar estrategias de mutación, factores de escala, tasas de cruce y otros mecanismos al objeto de evolución.

【Orden de exposición】

Se sugiere avanzar siguiendo la línea de "apertura de cómputo → transferencia del cuello de botella → límites de la optimización tradicional → elevación del nivel del problema → análisis crítico y preparación", finalizando con ejercicios de clase y discusión de casos.

【Puntos clave de enseñanza】

1. Por qué se transfiere el cuello de botella. Sobre la base computacional moderna de EvoX, la población, los resultados de evaluación y el estado del algoritmo pueden ingresar íntegramente a dispositivos de aceleración o clústeres distribuidos, y decenas de miles de evaluaciones de candidatos ya no necesitan procesarse serialmente una por una. Una vez abierta la capa de cómputo, la limitación restante recae en el "modo de búsqueda": el método de generar soluciones candidatas sigue siendo preestablecido por humanos y permanece sin cambios durante la ejecución.

2. Los límites de la optimización tradicional. Los algoritmos de optimización tradicionales son muy buenos encontrando soluciones dentro de un espacio de búsqueda dado — se les da una estrategia de mutación, un conjunto de parámetros, una estructura de vecindad, y generan repetidamente soluciones candidatas, las evalúan y seleccionan. Pero hay que notar que este mecanismo de generación de candidatos es una constante diseñada externamente, y el algoritmo no la cambia durante todo el proceso de ejecución. En otras palabras, solo se busca la "solución", y el "modo de generar soluciones" no se busca. Esto trae dos consecuencias: el sistema solo puede repetir la rutina establecida, difícil de adaptarse y expandirse según el problema, el entorno y la retroalimentación; aunque el algoritmo puede buscar soluciones, él mismo no participa en la mejora del proceso de búsqueda.

El problema se eleva un nivel. La evolución de métodos convierte el "cómo generar soluciones candidatas" de una elección de diseño externa en un objeto que puede ser buscado y evolucionado. Tomando la evolución diferencial como ejemplo, la estrategia de mutación, el factor de escala F, la tasa de cruce CR y otras configuraciones originalmente fijadas manualmente pueden entrar en el ciclo evolutivo, ajustándose continuamente según la retroalimentación. Así, el sistema busca simultáneamente en dos niveles: la "solución" y el "modo de generar soluciones". Cuando la forma del problema cambia, el entorno se desplaza o la señal de retroalimentación varía, el nivel del método también puede reescribirse, en lugar de dejar que una estrategia heurística fija se enfrente a todos los escenarios.

4. Nota de análisis crítico. La evolución de métodos no equivale a "cambiar por un algoritmo mejor". Cambiar de algoritmo sigue siendo una elección manual única, que una vez seleccionada se fija de nuevo; la evolución de métodos enfatiza que este mecanismo de generación de candidatos está en un estado de ser buscado y ajustado continuamente. El criterio de juicio puede condensarse en una frase: ¿cambia este mecanismo de generación de candidatos durante la ejecución?

5. Por qué esta motivación es la base del contenido posterior. Traza la línea divisoria entre EvoX y los optimizadores ordinarios — cómo el límite del objeto de evolución se expande hacia afuera, cómo el algoritmo mismo se mejora, cómo el sistema avanza hacia la cascada y la evolución continua, todo se construye sobre esta capa de "elevación". Se puede decir que la base computacional resuelve "si se puede calcular a gran escala", y la evolución de métodos resuelve "si, mientras se calcula a gran escala, el modo de búsqueda puede mejorar junto con ello".

【Ancla de memoria】

Las soluciones están evolucionando, y los métodos que producen soluciones también están evolucionando. Cualquier enfoque que "solo ajuste parámetros sin cambiar mecanismos" puede usarse para determinar si uno se queda en el primer nivel o ha ascendido al segundo.

【Tratamiento de ejercicios】

Esta página incluye cinco preguntas de opción múltiple, que pueden abordarse de forma concentrada al final de la exposición, señalando la base de juicio de cada pregunta:

Sobre la limitación fundamental de la optimización tradicional, la opción correcta es "solo busca soluciones dentro de un espacio de búsqueda predefinido, y el mecanismo de generación de candidatos es preestablecido manualmente y no se mejora". Si los estudiantes eligen "calcula lento" o "no puede paralelizarse", recordarles que eso es un problema a nivel de la base computacional, mientras que esta página discute si el modo de búsqueda puede mejorarse.

Sobre por qué el cuello de botella se vuelve prominente tras la apertura del cómputo, la clave está en que "un método fijo solo puede repetir la rutina establecida, difícil de adaptarse y expandirse según el problema, el entorno y la retroalimentación". La tensorización y el Runtime están precisamente diseñados para el cálculo eficiente en lotes, por lo que el cuello de botella no está en "si se puede calcular", sino en "si el modo de búsqueda puede cambiar".

Sobre "elevar el problema un nivel", hay que enfatizar que el objeto de búsqueda se expande de la "solución" al "método de generar soluciones", no cambiar hardware ni reescribir la forma del problema.

Sobre los objetos evolucionados en la evolución diferencial, la respuesta es la estrategia de mutación, el factor de escala F y la tasa de cruce CR; el valor óptimo es el resultado buscado, el hardware y los datos son condiciones externas.

Sobre la base que esta página proporciona al contenido posterior, recae en "la expansión del límite del objeto de evolución, la mejora del algoritmo mismo y la evolución continua a nivel de sistema".

【Discusión de casos】

El equipo fijó offline la estrategia de mutación, F=0.5, CR=0.9 tras pruebas preliminares, y luego no los modificó durante mucho tiempo; medio año después, la ciudad añadió zonas de restricción de tráfico, la estructura de pedidos cambió de "pocos lotes, muchos puntos" a "muchos lotes, pocos puntos", la calidad de las soluciones decayó continuamente, y cada ajuste de parámetros requería repetir las pruebas offline, con un ciclo de respuesta medido en semanas.

El problema radica en que solo buscan en el nivel de "rutas candidatas", y el mecanismo de "cómo generar rutas candidatas" está preestablecido manualmente y fijado a largo plazo, lo cual es precisamente el límite de la optimización tradicional. Si se introdujera la evolución de métodos, lo que entraría al espacio de búsqueda sería la selección de estrategias de mutación, F, CR, así como las combinaciones de parámetros relacionadas y las reglas de programación de estrategias, todas ellas convertidas de constantes en objetos que pueden ajustarse continuamente mediante la retroalimentación de resultados de evaluación.

El equipo ya puede completar un millón de evaluaciones de candidatos en un día en dispositivos de aceleración, lo que indica que el cuello de botella de "no poder calcular" está básicamente abierto, y la deficiencia restante es precisamente que "el modo de búsqueda está fijado". Al incorporar el nivel del método a la evolución, la sobrecarga adicional de búsqueda de métodos puede compartir la misma capacidad de paralelización por lotes con la búsqueda de soluciones, con un costo marginal controlable. La forma razonable de implementación es tomar las estrategias de mutación y F, CR como estados evolucionables adjuntos al tensor de población, ingresando junto con otros estados al grafo computacional por lotes; los resultados de evaluación se retroalimentan como señales al nivel del método, actualizando la distribución de estrategias y parámetros a un ritmo determinado; al mismo tiempo, mantener la configuración de línea base offline como control, evaluando el beneficio neto mediante la calidad de las soluciones y el tiempo de respuesta bajo el mismo presupuesto computacional.

【Verificación de comprensión】

Pedir a los estudiantes que expliquen con claridad la diferencia entre la optimización tradicional de un solo nivel y la evolución de métodos. Si solo pueden decir "el lado derecho calcula más rápido y encuentra mejores resultados", significa que aún no han captado el punto clave; el punto clave es que el objeto de búsqueda del lado derecho tiene una capa adicional — el método mismo entra en el ciclo de ser buscado, evaluado y actualizado.

【Sugerencia de transición】

A continuación se aterrizará esta capa de "elevación" en mecanismos concretos, viendo cómo el algoritmo mismo puede ser mejorado.

<a id="lecture-page-3"></a>

### Evolución Técnica y Orígenes Históricos de los Sistemas Inteligentes

*Página 3*

> **Objetivo de la página:** Los estudiantes deben dominar la posición de la computación evolutiva como fuente técnica en la convergencia de múltiples rutas.

> **Objetivo de la página**
>
> Recuperar la historia técnica de los sistemas inteligentes de la mala interpretación de la "evolución unilineal", permitiendo a los estudiantes comprender la posición de la computación evolutiva en la convergencia de cuatro fuentes, y a partir de ello entender la orientación arquitectónica de EvoX — tratar la "evolución continua" como una capacidad sistémica ejecutable, no como un truco a nivel de algoritmo.

**Puntos clave de enseñanza**

- I. Cuatro fuentes, cuatro formas de preguntar. Leer la historia técnica como una línea recta lleva a malinterpretar gravemente los sistemas inteligentes actuales. El simbolismo se preocupa por las "reglas y símbolos", caracterizando la inteligencia mediante representación explícita del conocimiento y razonamiento lógico, poniendo "explicar claramente" antes que "calcular", a costa de dificultades para enfrentar la realidad difusa, de alta dimensión y con ruido
- El conexionismo se preocupa por los "datos y representaciones", usando redes neuronales y representaciones distribuidas para el aprendizaje de parámetros, siendo hábil para ajustar mapeos complejos, pero generalmente requiere un objetivo y etiquetas claramente especificados
- La cibernética se preocupa por la "retroalimentación y el bucle cerrado", entendiendo la inteligencia como un proceso de regulación continua entre el sistema y el entorno, proporcionando el mecanismo de "corrección continua", pero dejando al estrategia de búsqueda la pregunta de "qué explorar"
- La computación evolutiva se preocupa por la "población, mutación, selección", usando la población para portar diversidad, la mutación y recombinación para generar cambios, y la evaluación y selección para preservar estructuras efectivas; no responde "cuál es la respuesta correcta", sino "cómo mejorar continuamente en un espacio abierto". Ante cualquier narrativa de historia técnica, primero usa estas cuatro palabras clave para ubicar a qué fuente pertenece, y el juicio será mucho más rápido. II. La convergencia no es sustitución. Las tres rutas clásicas proporcionan capacidades de representación, generación y ajuste, mientras que la computación evolutiva proporciona mecanismos de búsqueda abierta, adaptación y mejora continua
- La superposición de ambas cubre precisamente los dos niveles diferentes de problemas: "saber cómo calcular" y "saber hacia dónde ir". Por lo tanto, cualquier afirmación de que "cierta escuela ha sido eliminada" se desvía del juicio de esta página: la convergencia es la superposición colaborativa de mecanismos de diferentes niveles en un mismo sistema, no el dominio de una escuela sobre las demás. Se puede combinar con el diagrama de relaciones "cuatro fuentes → un punto de convergencia" de la página, siguiendo las flechas desde los cuatro cuadros de la izquierda hacia el punto de convergencia central, luego hacia la derecha entrando en el "sistema inteligente", y finalmente hacia abajo extrayendo el "punto de acceso EvoX: computación evolutiva × GPU × grandes modelos". La inteligencia puede entregarse como un "producto preestablecido" — primero definir etiquetas y una salida óptima única, y hacer que el modelo se aproxime a ella
- También puede cultivarse como un "proceso ambiental" — solo definir el espacio de búsqueda y los criterios de evaluación, y dejar que la población descubra soluciones utilizables mediante iteraciones. EvoX elige lo segundo. Para juzgar a qué categoría pertenece un nuevo sistema, solo hay que preguntar: ¿su objetivo está predefinido de antemano por humanos, o es filtrado por el entorno mediante evaluación continua? IV. Posicionamiento arquitectónico de EvoX. EvoX se sitúa en el punto de convergencia, tomando la computación evolutiva como fuente técnica directa, combinándose con GPU, grandes modelos y otras bases de ingeniería contemporáneas, haciendo que la evolución continua tenga viabilidad ingenieril. Esta página solo establece las bases de fuentes y posicionamiento; los detalles de la base de tensorización, evolución de métodos, MetaDE, etc., se desarrollarán en páginas posteriores.

**Cobertura de palabras clave**

- Simbolismo, conexionismo, cibernética, computación evolutiva, punto de convergencia, producto preestablecido, proceso ambiental, punto de acceso EvoX.

**Tratamiento de ejercicios**

Las cinco preguntas de opción múltiple se preguntan al terminar, enfatizando la indagación de la base más que solo reportar la respuesta. Pregunta uno, la respuesta recae en el simbolismo; si los estudiantes se equivocan, sugerir "¿qué ruta tiene como palabras clave reglas, símbolos, lógica, en lugar de datos, retroalimentación o población?". Pregunta dos, la afirmación correcta es que la población genera cambios, la evaluación y selección preservan estructuras efectivas, y no se preestablece una solución óptima única; la diferencia clave está en "quién decide la respuesta". Pregunta tres, la respuesta es hacer que la evolución continua ascienda de truco algorítmico a capacidad sistémica ejecutable; se puede recordar que "posicionamiento arquitectónico" significa no reemplazar ninguna escuela, sino hacer que el mecanismo evolutivo realmente funcione y perdure. Pregunta cuatro, lo que se ajusta a la visión de inteligencia como proceso ambiental es "solo definir el espacio de búsqueda y los criterios de evaluación, y dejar que la población descubra soluciones utilizables mediante iteraciones".

Pregunta cinco, el juicio preciso es que las rutas clásicas proporcionan representación, generación y ajuste, mientras que la computación evolutiva proporciona búsqueda abierta, adaptación y mejora continua. La razón común de las respuestas incorrectas es leer "convergencia" como "sustitución", o malinterpretar la computación evolutiva como un método supervisado que requiere etiquetas, siendo necesario volver a la explicación de esta página para reubicarse.

Sistema de despacho de entrega urbana instantánea: Opción A (aprendizaje supervisado que se aproxima a las decisiones óptimas históricas etiquetadas por expertos) y Opción B (solo definir el espacio de búsqueda y criterios de evaluación multiobjetivo, con búsqueda iterativa por población y evaluación paralela mediante GPU). Primera pregunta, comparar las dos visiones de inteligencia: la diferencia sustancial no está en la complejidad del algoritmo, sino en si la respuesta es predeterminada por humanos o filtrada por evaluación continua del entorno; EvoX se aproxima más a la Opción B. Segunda pregunta sobre los riesgos a largo plazo de los criterios de evaluación y su mitigación: las posibles respuestas incluyen un diseño inadecuado de indicadores que lleva a optimizar precisamente el objetivo equivocado, la disminución de la diversidad de la población y el estancamiento de la búsqueda tras la fijación de los criterios, y que los indicadores sean satisfechos de forma tramposa produciendo soluciones inaceptables en el negocio;

Las medidas correspondientes incluyen ponderación multiobjetivo o frente de Pareto con recalibración periódica de pesos, introducción de mantenimiento de diversidad y reinicialización periódica, establecimiento de restricciones duras y verificaciones de seguridad para soluciones candidatas, y retroalimentación del rendimiento real de las soluciones adoptadas como bucle cerrado para los criterios de evaluación.

**Verificación de comprensión**

Pedir a un estudiante que explique con sus propias palabras qué problema resuelve cada una de las cuatro fuentes, y luego que repita la diferencia entre "producto preestablecido" y "proceso ambiental"; el instructor complementa las palabras clave omitidas según la respuesta, especialmente "evaluación y selección" y "no preestablecer una solución óptima única".

> **Sugerencia de transición**
>
> Tras confirmar que los estudiantes pueden explicar la relación entre las cuatro fuentes y el punto de convergencia, pasar a la siguiente página sobre el desarrollo concreto de la evolución de métodos y la base de tensorización.

<a id="lecture-page-4"></a>

### Expansión de los Límites Evolutivos por los Grandes Modelos y la Capacidad Computacional

*Página 4*

> **Objetivo de la página:** Los estudiantes deben comprender cómo el paralelismo en GPU y los grandes modelos amplían conjuntamente el espacio de generación de candidatos y exploración.

> **Objetivo de la página**
>
> Comprender cómo la capacidad computacional paralela de la GPU y la generación semántica de los grandes modelos constituyen conjuntamente la doble base ingenieril de la computación evolutiva, y expanden el límite de candidatos desde parámetros numéricos hacia programas, estructuras de modelos y mecanismos algorítmicos.

> **Orden de exposición**
>
> Primero plantear dos preguntas generales — la capacidad computacional determina "cuántos candidatos se pueden explorar a la vez", los grandes modelos determinan "qué forma de candidatos se pueden explorar"; luego explicar cada una de las dos bases, y finalmente explicar la relación complementaria, la expansión en tres niveles y los costos.

**Puntos clave de enseñanza**

- La evaluación tradicional de población es un bucle serial en CPU, con sobrecarga de programación que se acumula con la escala. La evaluación por lotes con tensorización organiza candidatos, resultados de evaluación y estado del algoritmo en tensores computables integralmente, haciendo que la exploración simultánea de decenas de miles de candidatos sea práctica común. Resuelve el rendimiento, no juzga la calidad de los candidatos, y es el soporte fundamental para la expansión del espacio de candidatos. El valor de los grandes modelos no está en calcular más rápido, sino en comprender código, conocimiento del dominio y contexto de la tarea, pudiendo generar fragmentos de código, topologías de modelos sustitutos y otros candidatos de estructura compleja, abriendo así el espacio de formas de candidatos. Parámetros numéricos → estructura de programa/modelo → mecanismo algorítmico. Los dos primeros niveles son impulsados por la capacidad generativa de los grandes modelos; el tercer nivel incorpora el proceso mismo de "cómo generar y cómo evaluar" al objeto de evolución, siendo la premisa para que rutas como MetaDE y AutoPSO de "usar la evolución para mejorar la evolución" sean viables. La capacidad computacional amplía la amplitud de búsqueda, los grandes modelos mejoran la calidad de los candidatos y la complejidad de formas
- Sin cualquiera de las dos partes, la expansión de límites es incompleta. Aumenta el costo de evaluación, se dificulta la verificación de corrección, el criterio de "respuesta utilizable" se vuelve más difuso, requiriendo articulación con ponderación multiobjetivo, decisiones de expertos y otros eslabones. En la optimización de perfiles aerodinámicos, el objeto de búsqueda se eleva desde parámetros numéricos preestablecidos hacia el código de resolución, la estructura del modelo sustituto, e incluso el esquema de generación y evaluación mismo
- Al mismo tiempo, se debe complementar con gestión de presupuesto de evaluación, verificación de sintaxis/interfaz/restricciones, retroceso ante fallos e interfaz de decisión experta. Tratar a los grandes modelos como calculadoras de aptitud más rápidas, o creer que con suficiente capacidad computacional se pueden buscar automáticamente candidatos a nivel de programa. Lo primero pierde el espacio de formas, lo segundo ignora de dónde vienen los candidatos.

**Tratamiento de ejercicios**

Las cinco preguntas de opción múltiple pueden verificar secuencialmente el papel de la capacidad computacional, la capacidad de los grandes modelos, el orden de expansión en tres niveles, la relación complementaria y las capacidades de soporte. Pregunta 1 debe seleccionar "cálculo por lotes con tensorización"; Pregunta 2 debe seleccionar "comprender código, conocimiento del dominio y contexto"; Pregunta 3 debe seleccionar "parámetros numéricos→estructura de programa/modelo→mecanismo algorítmico"; Pregunta 4 debe seleccionar "complementarios, ninguno puede faltar"; Pregunta 5 debe seleccionar "control de costos de evaluación, verificación de corrección y criterios de respuesta utilizable". Si los estudiantes se equivocan, recordarles distinguir entre "calcular mucho" y "calcular bien", y que "forma de generación" y "rendimiento de evaluación" no son lo mismo.

**Verificación de comprensión**

Pedir a los estudiantes que respondan en una frase cada una de las dos preguntas — qué determina cuántos candidatos se pueden explorar a la vez, y qué determina qué forma de candidatos se pueden explorar; luego dar un ejemplo de elevación desde la optimización de parámetros hacia el mecanismo algorítmico.

> **Sugerencia de transición**
>
> Tras confirmar que los estudiantes pueden explicar la división complementaria entre capacidad computacional y modelos, pasar a la siguiente sección sobre los mecanismos concretos de la evolución de métodos.

<a id="lecture-page-5"></a>

### Conflictos Multidimensionales y Compensaciones en Problemas del Mundo Real

*Página 5*

> **Objetivo de la página:** Los estudiantes deben comprender la necesidad de preservar candidatos diferenciados ante conflictos multiobjetivo en tareas reales de investigación científica.

**Puntos clave de enseñanza**

- Los puntos en el frente de Pareto no se dominan entre sí; solo son "más adecuados bajo cierta preferencia". Al ver un gráfico de frente, primero preguntar cuáles son las preferencias y restricciones, y luego hablar de si un esquema es bueno o no.
- Si la población colapsa rápidamente hacia una región estrecha, primero verificar si la presión de selección y el mecanismo de mantenimiento de diversidad están desequilibrados. Una vez que la cobertura disminuye, no tendrás alternativas intercambiables cuando cambien las restricciones.
- Cuando la evaluación real es costosa y la señal escasa, priorizar la asignación de presupuesto a candidatos con alta incertidumbre y que puedan expandir la cobertura del espacio de compensaciones, en lugar de refinar repetidamente alrededor de la solución óptima actual.

> **Objetivo de la página**
>
> Comprender la necesidad de preservar candidatos diferenciados ante conflictos multiobjetivo, compensaciones de Pareto en la optimización real de investigación científica e ingeniería.
>
> Orden de exposición y puntos clave:
>
> 1. Partir de la conflictividad. Las tareas reales rara vez tienen un solo objetivo y restricciones claras, frecuentemente tienen múltiples objetivos que se limitan mutuamente. Por ejemplo, reducir el tiempo de carga rápida conlleva generación de calor y pérdida de vida útil; aumentar la sustentación suele acompañarse de un aumento de la resistencia; adelgazar el perfil aerodinámico mejora la aerodinámica pero debilita la resistencia estructural. Por lo tanto, no existe un óptimo gratuito; el llamado óptimo debe especificar "bajo qué preferencia es óptimo".
>
> 2. Entender la solución como un conjunto de soluciones de compromiso. El conjunto de soluciones de un problema multiobjetivo es el frente de Pareto. Cada punto en el frente es una solución no dominada, representando una orientación de preferencia razonable; sin empeorar otros objetivos, no se puede mejorar ningún objetivo. No hay un ranking absoluto entre puntos, solo "más adecuado bajo cierta preferencia". Las soluciones dominadas son aquellas para las que existe un esquema que puede mejorarlas integralmente.
>
> 3. Exploración prioritaria sobre convergencia. Converger prematuramente a un solo punto comprime el espacio de soluciones en un punto, perdiendo información estructural; una vez que cambian las restricciones, costos o riesgos, no hay alternativas intercambiables, solo se puede buscar de nuevo. Se debe mantener la diversidad de la población, permitiendo que diferentes direcciones de preferencia sean muestreadas y evaluadas simultáneamente, evitando que todos los individuos colapsen hacia una región estrecha del frente. El valor de la diferenciación radica en responder a los cambios.
>
> 4. La base computacional soporta el despliegue multidireccional. EvoX organiza candidatos, resultados de evaluación y estado del algoritmo en tensores computables integralmente, haciendo que la mutación, evaluación y actualización de estado ingresen al grafo computacional para optimización por compilación; el programador de Runtime distribuye el cálculo por lotes a GPU, dispositivos de aceleración o clústeres distribuidos. La evaluación por lotes de alto rendimiento hace que mantener poblaciones grandes y cubrir todo el frente sea viable en ingeniería.
>
> 5. Cuando la evaluación es costosa y la retroalimentación escasa, la estrategia de asignación de presupuesto debe cambiar. La evaluación real frecuentemente proviene de simulación, banco de pruebas o prototipos, con costo unitario alto y señal escasa. Se debe usar modelos sustitutos para reemplazar parte de las evaluaciones de alta fidelidad, asignando el presupuesto limitado a candidatos con alta incertidumbre y que puedan expandir la cobertura del espacio de compensaciones, en lugar de refinar repetidamente alrededor de la solución óptima actual.
>
> 6. Atribución de la decisión. El algoritmo se encarga de desplegar el espacio de compensaciones y proporcionar un conjunto de candidatos comparables; los expertos humanos toman la decisión final según las preferencias del escenario, regulaciones y restricciones comerciales. Ambos son complementarios e insustituibles. En ingeniería, entregar un conjunto de soluciones de Pareto con una explicación de correspondencia "preferencia—solución" es más confiable que entregar un punto único aparentemente preciso.

> **Pistas de material**
>
> - El diagrama esquemático del frente de Pareto usa "sustentación ↑ / resistencia ↓" como coordenadas, marcando el frente compuesto por soluciones no dominadas, las soluciones dominadas, la convergencia prematura que causa colapso de diversidad, y el muestreo paralelo en diferentes direcciones de preferencia. Al explicar, primero pedir a los estudiantes que identifiquen qué puntos del gráfico podrían estar en el frente, y luego explicar que el decisor debe seleccionar puntos según las restricciones del escenario.

**Tratamiento de ejercicios**

Q1 la opción correcta es "el frente está compuesto por un conjunto de soluciones de compromiso mutuamente no dominadas, cada punto corresponde a una orientación de preferencia razonable". Se puede preguntar: si un punto aún puede mejorarse integralmente, no está en el frente. Q2 la opción correcta es "la convergencia prematura pierde información estructural del espacio de soluciones, imposibilitando el cambio rápido de alternativas cuando cambian las restricciones o preferencias". Enfatizar que esto es un problema de información, no solo de capacidad computacional. Q3 la opción correcta es "cubrir un espacio de compensaciones más amplio con un presupuesto de evaluación limitado, y usar modelos sustitutos para reemplazar parte de las evaluaciones de alta fidelidad". Q4 la opción correcta es "el algoritmo despliega el espacio de compensaciones y proporciona un conjunto de candidatos, los expertos humanos deciden finalmente según preferencias y restricciones". Q5 la opción correcta es "aumentar la sustentación generalmente acompaña un aumento de la resistencia, adelgazar el perfil aerodinámico favorece la aerodinámica pero debilita la estructura, requiriendo compensaciones".

Conflicto de objetivos: la carga rápida genera calor y acelera la degradación de la vida útil; las preferencias cambian, diferentes modelos de vehículo, sistemas de batería, potencias de cargadores rápidos y políticas de garantía alteran los pesos entre tiempo de carga y vida útil; la evaluación real es costosa y escasa, entregar un conjunto de soluciones que cubra el frente permite reutilizar el presupuesto de evaluación. Proceso operativo: primero realizar unas pocas evaluaciones de alta fidelidad y calibración de parámetros, construir la estrategia base y muestras de perturbación; entrenar y validar el modelo sustituto; habilitar el mantenimiento de diversidad y el muestreo multidireccional en EvoX, dirigiendo evaluaciones suplementarias hacia regiones escasas y de alta incertidumbre según la cobertura del frente; generar el grupo de estrategias candidatas y la tabla de correspondencia preferencia—solución;

Finalmente, los ingenieros de vehículo completo y batería seleccionan según autonomía, potencia de carga rápida, garantía, regulaciones de seguridad y costo, con un refinamiento menor en la vecindad.

**Verificación de comprensión**

Pedir a los estudiantes que expliquen con sus propias palabras "por qué la optimización multiobjetivo entrega un conjunto de soluciones en lugar de un punto", y que ejemplifiquen el valor de este conjunto de soluciones cuando cambian las preferencias. Si los estudiantes solo recuerdan "conflicto de objetivos", sugerirles complementar con "frente de Pareto", "diversidad como cantidad de información", "asignación del presupuesto de evaluación hacia la cobertura de fronteras".

<a id="lecture-page-6"></a>

### Idea Central y Salto de la Evolución de Métodos

*Página 6*

> **Objetivo de la página:** Los estudiantes deben comprender el avance teórico de incorporar los métodos de generación de candidatos al objeto de evolución.

**Puntos clave de enseñanza**

- El criterio de juicio de la evolución de métodos es simple: si las variables de optimización incluyen el método, operador o estrategia que genera candidatos. Si solo cambian las soluciones, sigue siendo optimización tradicional; si el nivel del método también recibe retroalimentación y se actualiza, entonces es evolución de métodos.
- El nivel de solución responde "¿es bueno este candidato?", el nivel de método responde "¿cómo generar mejores candidatos?". Ambos niveles se conectan mediante señales de evaluación; no confundir la actualización del nivel de método con un ajuste fino de una solución individual.
- La evolución de métodos no busca el óptimo único, sino la generalización entre tareas, robustez, diversidad y costo computacional. Al repasar, usar "un solucionador que sabe encontrar soluciones mejor" para verificar si realmente se ha comprendido.

> **Objetivo de la página**
>
> Convertir el "método de generar soluciones candidatas" mismo en objeto de optimización, transformando el algoritmo de herramienta fija a solucionador en evolución continua.
>
> Orden de exposición y puntos clave:
>
> 1. Primero ubicar el punto de salto. La ruta tradicional es "problema→algoritmo fijo→soluciones candidatas", donde el algoritmo es preseleccionado por el investigador y no cambia durante la búsqueda, siendo el objeto de optimización la solución x. La evolución de métodos reescribe la ruta como "familia de problemas/entorno→espacio de métodos evolucionables→generador de candidatos→evaluación de soluciones candidatas→actualización de métodos→regeneración", expandiendo las variables de optimización hacia métodos, operadores, reglas hiperheurísticas o procesos de generación de candidatos m. Aquí el "método" puede concretarse en la estrategia de mutación de la evolución diferencial, los pesos de inercia y la topología del enjambre de partículas, los operadores de búsqueda local, o elevarse al nivel de la selección de algoritmos y reglas de programación.
>
> El objeto de evolución se expande desde soluciones, parámetros y estructuras hacia métodos, operadores, reglas hiperheurísticas o procesos de generación de candidatos; el problema se reformula como "evolucionar un solucionador que sepa encontrar soluciones mejor en tareas o entornos"; el método genera candidatos y recibe la evaluación de la tarea, la evaluación impulsa la mutación, selección y recombinación del método, formando una retroalimentación continua entre el nivel del método y el nivel de solución; los criterios de evaluación migran del óptimo único a la generalización, robustez, diversidad y costo computacional entre tareas y entornos; el rol del investigador se transforma en diseñar el espacio de métodos evolucionables, las señales de retroalimentación y los mecanismos de selección.
>
> 3. Explicar con énfasis el bucle cerrado de retroalimentación. El nivel del método genera generadores de candidatos, el nivel de solución los usa para producir candidatos en tareas específicas y obtener evaluaciones; las evaluaciones se agregan o asignan por crédito de vuelta al nivel del método, impulsando la mutación, selección y recombinación del método mismo. Si la retroalimentación es demasiado escasa o solo recompensa el óptimo a corto plazo, el nivel del método tiende a sobreajustarse a una sola tarea; solo si la retroalimentación incluye generalización entre tareas y diversidad, se puede aprender una metaestrategia que "sepa encontrar soluciones mejor". Puede entenderse como abrir otra capa de búsqueda evolutiva sobre el espacio de métodos, pero su evaluación no puede prescindir del rendimiento real del nivel de solución.
>
> MetaDE permite que las estrategias, parámetros e incluso combinaciones de operadores de la evolución diferencial se conviertan en objetos evolucionables; AutoPSO incorpora la estructura, parámetros o topología del enjambre de partículas a la búsqueda automática. Ambos comparten el mismo punto de partida: incorporar el método de generación de candidatos al objeto de optimización, logrando la auto-evolución del algoritmo. Esta página establece primero el concepto unificado, y posteriormente se desarrollarán las arquitecturas concretas y la evolución de la estructura algorítmica.
>
> Si el método permanece fijo, el sistema sigue buscando soluciones bajo un algoritmo dado; solo cuando el nivel del método también recibe retroalimentación y se actualiza, se entra en la evolución de métodos. El nivel de solución responde "¿es bueno este candidato?", el nivel del método responde "¿cómo generar mejores candidatos?". Ambos niveles se conectan mediante señales de evaluación; no confundir la actualización del nivel del método con un ajuste fino de una solución individual.

> **Pistas de material**
>
> - Se puede combinar con el diagrama de estructura conceptual de la página — a la izquierda está la cadena unidireccional tradicional, a la derecha el bucle cerrado de evolución de métodos, con "salto: el método se convierte en objeto de optimización" destacando la diferencia en el centro
> - Abajo se anotan MetaDE / AutoPSO como direcciones de implementación. Pistas de ejercicios y verificación de comprensión: Los problemas conceptuales deben seleccionar el avance teórico de "incorporar el método de generación de candidatos al objeto de evolución". Una respuesta correcta indica comprensión alineada con el programa
> - Ante respuestas incorrectas, primero revisar los conceptos centrales y volver a intentar. Al juzgar afirmaciones como "el algoritmo se transforma de herramienta fija a solucionador en evolución continua", la opción más razonable es poder explicar los conceptos de esta página con evidencia o ejemplos, y poder indicar la base
> - Evitar saltar materiales para memorizar directamente, concluir solo por intuición, o cambiar todos los factores a la vez al comparar. Plataforma de optimización combinatoria multitarea que introduce evolución de métodos. Reformulación del problema: de "encontrar la solución óptima para cada tarea bajo un algoritmo genético fijo" a "evolucionar un solucionador que sepa encontrar soluciones mejor en una familia de tareas o entorno". El espacio de métodos evolucionables puede incluir tipos e intensidades de operadores de cruce y mutación, estrategias de selección, operadores de búsqueda local, reglas hiperheurísticas, estrategias de control de parámetros, procesos de generación de candidatos, así como combinaciones de estrategias estilo MetaDE y estructuras de topología y parámetros estilo AutoPSO. Bucle cerrado de retroalimentación: el nivel del método muestrea o muta un conjunto de métodos o configuraciones de operadores, el nivel de solución genera candidatos en múltiples tareas y calcula la aptitud
> - El rendimiento entre tareas se agrega como señal de retroalimentación, regresa al nivel del método para selección, mutación y recombinación, actualizando la distribución de métodos, y luego entra en la siguiente ronda de generación. Migración de evaluación: no solo el óptimo único de una tarea, sino la generalización entre tareas, robustez, diversidad, costo computacional y estabilidad. Riesgo principal: el meta-nivel se sobreajusta a pocas tareas o recompensas a corto plazo, causando el colapso de la diversidad del espacio de métodos
> - Las formas de mitigación incluyen muestreo de tareas, regularización, mantenimiento de diversidad y validación por capas.

**Actividad en clase**

Pedir a los estudiantes que repitan con sus propias palabras la cadena "familia de problemas/entorno→espacio de métodos evolucionables→generador de candidatos→evaluación de soluciones candidatas→actualización de métodos→regeneración", y que ejemplifiquen la distinción entre el nivel del método y el nivel de solución. Seleccionar aleatoriamente a un estudiante para que resuma los puntos clave de esta página, y el instructor complementa las palabras clave omitidas.

> **Sugerencia de transición**
>
> Tras confirmar que los estudiantes pueden enunciar el criterio de juicio — si las variables de optimización incluyen el método, operador o estrategia que genera candidatos, y si el nivel del método recibe retroalimentación y se actualiza — pasar a la siguiente página sobre la arquitectura concreta, aplicaciones o resumen.

**Cobertura de palabras clave**

- Evolución de métodos, Meta-Evolution, espacio de métodos evolucionables, generador de candidatos, nivel del método y nivel de solución, bucle cerrado de retroalimentación, MetaDE, AutoPSO, generalización entre tareas, robustez, diversidad, costo computacional.

<a id="lecture-page-7"></a>

### Evolución de Doble Nivel Interno-Externo y Mecanismos Adaptativos

*Página 7*

> **Objetivo de la página:** Los estudiantes deben dominar el mecanismo de colaboración de doble nivel entre la resolución de tareas del nivel interno y la optimización de estrategias del nivel externo.

**Puntos clave de enseñanza**

- Al memorizar, primero preguntar: ¿quién resuelve el problema? ¿quién mejora el método? El nivel interno produce soluciones y rendimiento, el nivel externo produce configuraciones y estrategias. Luego conectar "rendimiento interno → aptitud externa → actualización de configuración interna" en un bucle cerrado.
- La aptitud externa evalúa el rendimiento de un conjunto de configuraciones internas en tareas por lotes, no el valor objetivo óptimo de una sola tarea. Comprender esto evita malinterpretar el nivel externo como otro solucionador directo.
- Si la varianza de la evaluación interna es grande, el nivel externo puede tomar configuraciones con rendimiento casualmente bueno como realmente mejores. Al repasar, reflexionar sobre cómo el rendimiento promedio, los estadísticos robustos y el aumento de muestras de evaluación ayudan al nivel externo a tomar decisiones estables.

Objetivo de la página

Esta página se centra en la evolución de doble nivel interno-externo y los mecanismos adaptativos, requiriendo que los estudiantes comprendan que la evolución de métodos no solo optimiza soluciones, sino que añade un control meta-nivel evolucionable sobre la capa de resolución de tareas, permitiendo que el sistema ajuste automáticamente los métodos de resolución según los cambios de tarea y entorno. Al terminar, deben poder explicar claramente la división de responsabilidades entre el nivel interno y externo, la formación del bucle cerrado de retroalimentación, y el papel del paralelismo en GPU.

Orden de exposición

¿Quién resuelve el problema? ¿Quién mejora el método? De aquí se deriva que el nivel interno produce soluciones y rendimiento, el nivel externo produce configuraciones y estrategias. Luego conectar "rendimiento interno → aptitud externa → actualización de configuración interna" en un bucle cerrado, ayudando a los estudiantes a comprender la estructura de doble nivel en su conjunto.

Puntos clave de enseñanza

1. El nivel interno es la capa de resolución de tareas. Se encarga de resolver tareas reales, ejecutando en paralelo gran cantidad de tareas concretas, produciendo soluciones candidatas, valores objetivo f y rendimiento de ejecución, como tiempo de recursos, pasos de convergencia, tasa de éxito. El punto de anclaje de memoria es "resolver el problema".

2. El nivel externo es la capa de evolución de métodos. No resuelve directamente la tarea original, sino que evoluciona la configuración, estrategias y parámetros del algoritmo interno, incluyendo operaciones de evaluación, selección, mutación y actualización. El punto de anclaje de memoria es "mejorar el método de resolución".

3. El bucle cerrado de retroalimentación es la clave de la estructura de doble nivel. El rendimiento de las tareas por lotes del nivel interno se agrega como señal de aptitud del nivel externo, usada para seleccionar, mutar y actualizar mejores configuraciones internas; las configuraciones actualizadas regresan al nivel interno, formando un bucle cerrado.

4. El mecanismo adaptativo se manifiesta en que el nivel externo ajusta continuamente las estrategias internas según los cambios de tarea y entorno. No es simplemente conectar dos algoritmos en serie, sino añadir un control meta-nivel evolucionable sobre la capa de resolución de tareas, haciendo que el sistema pase de configurar algoritmos manualmente a que el algoritmo se adapte automáticamente a la tarea.

El nivel interno produce "soluciones", el nivel externo produce "mejores métodos de generar soluciones". La aptitud externa no es el valor óptimo de la tarea original en sí, sino la evaluación del rendimiento de un conjunto de configuraciones internas en tareas por lotes.

La GPU puede ejecutar en paralelo gran cantidad de tareas internas, proporcionando retroalimentación estadística más completa para la evolución externa y reduciendo el costo de espera de búsqueda. Hay que enfatizar que el paralelismo mejora el soporte estadístico y la eficiencia, no elimina la evaluación ni garantiza el óptimo global.

El DE interno se encarga de tareas de optimización concretas; el nivel externo selecciona y ajusta la configuración y estrategias del DE según el rendimiento interno, como estrategia de mutación, tasa de cruce, tamaño de población; los resultados de gran cantidad de tareas internas guían inversamente la selección de configuración externa, formando un bucle cerrado de doble nivel de "usar la evolución para mejorar la evolución".

Pistas de material

A la izquierda está la capa de resolución de tareas interna, a la derecha la capa de evolución de métodos externa. La izquierda produce soluciones candidatas, valores objetivo y rendimiento de ejecución, que entran a la derecha mediante "datos de rendimiento → señal de aptitud"; la derecha, tras evaluación, selección, mutación y actualización, regresa a la izquierda mediante "actualización de configuración y estrategias internas". Abajo se anota GPU paralela, para ejecutar por lotes las tareas internas.

Verificación de comprensión

¿Cómo influye el rendimiento interno en el nivel externo? Si los estudiantes solo dicen "ejecutar tareas en paralelo", recordarles complementar con "agregarse como señal de aptitud, y luego impulsar selección, mutación y actualización".

Tratamiento de ejercicios

Los ejercicios de esta página giran en torno a la división de responsabilidades, el bucle cerrado de retroalimentación, el papel del paralelismo y "usar la evolución para mejorar la evolución".

La responsabilidad principal del nivel interno es resolver tareas reales, generando soluciones candidatas, valores objetivo y datos de rendimiento de ejecución. Enfatizar que el nivel interno primero produce soluciones y rendimiento, y luego el nivel externo evoluciona configuraciones y estrategias.

El nivel externo no resuelve directamente la tarea original, porque su responsabilidad es evolucionar la configuración, estrategias y parámetros del algoritmo interno, perteneciendo al control meta-nivel. Captar "cómo evoluciona el método", no "qué es la solución".

Los resultados de evaluación del nivel interno se agregan como señal de aptitud del nivel externo, usada para seleccionar, mutar y actualizar configuraciones internas. La clave de la estructura de doble nivel es el bucle cerrado de retroalimentación, no el paralelismo en bucle abierto.

El papel más importante del paralelismo en GPU para gran cantidad de tareas internas es proporcionar retroalimentación estadística más completa y reducir el costo de espera de búsqueda. El paralelismo mejora el soporte estadístico y la eficiencia, no equivale a eliminar la evaluación ni garantizar el óptimo global.

"Usar la evolución para mejorar la evolución" se refiere a que el nivel externo evoluciona la configuración y estrategias del algoritmo interno, y el rendimiento interno retroalimenta la aptitud externa, formando un bucle cerrado bidireccional.

Cuando es correcto, afirmar que el estudiante puede conectar los conceptos de esta página y explicar la base; cuando es incorrecto, guiar de vuelta a los dos puntos de juicio: división de responsabilidades y bucle cerrado de retroalimentación.

Tratamiento de casos

El DE resuelve sobre instancias de programación concretas, produciendo soluciones candidatas, valores objetivo, pasos de convergencia y otros indicadores de rendimiento. Responsabilidad del nivel externo: no programa directamente, sino que evoluciona la configuración y estrategias del DE, como estrategia de mutación, tasa de cruce, tamaño de población. Bucle cerrado de retroalimentación: el rendimiento de las tareas por lotes internas se agrega como señal de aptitud externa, y el nivel externo selecciona, muta y actualiza mejores configuraciones internas según ella; las configuraciones actualizadas regresan al nivel interno.

Si la varianza de la evaluación interna es grande, la aptitud externa puede usar el rendimiento promedio, mediana, estadísticos robustos o límite inferior de confianza con penalización de múltiples repeticiones o tareas por lotes, reduciendo la selección errónea por alta varianza; si es necesario, aumentar el número de muestras de evaluación por configuración. El paralelismo en GPU puede ejecutar por lotes gran cantidad de tareas internas, ampliando el tamaño de muestra y acortando el tiempo de espera, haciendo más estable la estimación de aptitud externa.

Sugerencia de transición

Tras confirmar que los estudiantes pueden decir "el nivel interno produce soluciones y rendimiento, el nivel externo produce configuraciones y estrategias, el rendimiento interno retroalimenta la aptitud externa", pasar a la siguiente página sobre aplicaciones, ejemplos o resumen.

<a id="lecture-page-8"></a>

### Implementación Típica de Evolución de Métodos: Arquitectura MetaDE

*Página 8*

> **Objetivo de la página:** Los estudiantes deben comprender cómo MetaDE delega las estrategias de mutación y parámetros de la evolución diferencial a la optimización externa.

**Puntos clave de enseñanza**

- El nivel externo busca configuraciones de algoritmo, el nivel interno busca soluciones al problema. Ver "estrategias, modos de cruce, F, CR siendo optimizados" es el nivel externo; ver "¿es buena esta solución?" es el nivel interno. Para juzgar a qué nivel pertenece cualquier descripción, primero preguntar si optimiza configuración o solución.
- Una ejecución interna individual tiene aleatoriedad; usarla directamente para comparar dos configuraciones fácilmente lleva a conclusiones casuales. Antes de comparar, hacer que las configuraciones se ejecuten múltiples veces independientemente y tomar el promedio (o mediana), y luego entregar al nivel externo para selección; de lo contrario, el nivel externo seleccionará ruido aleatorio.
- El costo de evaluación es aproximadamente igual al número de individuos externos × generaciones × repeticiones internas. Primero calcular esta cuenta con claridad, y luego decidir la inversión en paralelización, tensorización y programación en tiempo de ejecución; de lo contrario, antes de que el nivel externo converja, el tiempo y el presupuesto computacional ya se habrán agotado.

【Objetivo de la página】Comprender cómo MetaDE delega las estrategias de mutación y parámetros clave de la evolución diferencial a la optimización evolutiva externa, convirtiendo así el "cómo evolucionar" de una preselección manual en una búsqueda adaptativa.

【Orden de exposición】Primero aclarar la estructura de doble nivel (el nivel externo busca algoritmos, el nivel interno resuelve problemas), luego explicar los objetos de evolución externa y el bucle cerrado de verificación, después comparar con DE fijo y explicar los costos y premisas, finalmente dar un ejemplo mínimo y posicionamiento.

【Puntos clave de enseñanza】

La capa de evolución externa toma una configuración del algoritmo DE como un individuo, ejecutando selección, cruce, mutación y eliminación sobre el espacio de configuraciones; la capa de tareas interna es el proceso convencional de resolución de la evolución diferencial sobre la tarea de optimización original. El objeto de optimización externo es la configuración del algoritmo (decide "cómo buscar"), el objeto de optimización interno es la solución del problema (decide "qué tan bien se busca"). Se puede combinar con el diagrama: el nivel externo contiene las estrategias rand/1, best/1, current-to-best/1, modos de cruce, F, CR, etc.; las configuraciones candidatas se envían, el rendimiento real se retroalimenta.

Un individuo externo codifica un conjunto completo de comportamientos del algoritmo, incluyendo estrategia de mutación, modo de cruce, factor de escala F, probabilidad de cruce CR, tamaño de población, etc. Las diferencias entre individuos corresponden a las tendencias de comportamiento de la misma familia de algoritmos bajo diferentes características del problema.

Cada configuración candidata debe enviarse a la tarea original para ejecutarse realmente, sometiéndose a la verificación del rendimiento real; el nivel externo selecciona, elimina y retiene según la aptitud retroalimentada del nivel interno. Se forma el bucle cerrado iterativo de "generación de configuración→verificación de tarea→selección por retroalimentación". La aptitud externa solo puede provenir de los resultados de ejecución reales del nivel interno, no de meta-indicadores o juicios a priori.

Las estrategias y parámetros del DE tradicional son preestablecidos por el investigador y fijados durante todo el proceso; MetaDE entrega esta decisión a la evolución externa, dotando al algoritmo de capacidad adaptativa a las características del problema — por ejemplo, preferir rand/1 con mayor exploración y F grande en la etapa temprana de búsqueda, y cambiar hacia best/1 con convergencia más rápida y F pequeño en la etapa tardía.

Cada configuración candidata debe ejecutar completamente una vez la tarea interna (generalmente requiriendo múltiples ejecuciones independientes para promediar y suprimir la aleatoriedad), y el costo de evaluación se multiplica por el tamaño de la población externa y las generaciones. El presupuesto de evaluación es aproximadamente igual al número de individuos externos × generaciones × repeticiones internas. Por lo tanto, MetaDE depende fuertemente de bases de ingeniería como paralelización, tensorización y programación en tiempo de ejecución.

Un individuo en la población externa se codifica como "rand/1 + cruce binomial + F=0.5, CR=0.9"; esta configuración se envía a la tarea interna ejecutándose múltiples veces independientemente, tomando la aptitud promedio como la aptitud del individuo externo; el nivel externo selecciona, muta y retiene mejores configuraciones según ella, formando el bucle cerrado iterativo de "generación de configuración—verificación de tarea—selección por retroalimentación". Este paso es la forma mínima ejecutable de "usar un algoritmo evolutivo para mejorar un algoritmo evolutivo".

MetaDE es la implementación concreta de "evolución de doble nivel interno-externo y mecanismos adaptativos" desde la idea hacia una arquitectura realizable, y también proporciona un paradigma metodológico para la evolución posterior de estructuras algorítmicas (AutoPSO, EvoGO).

Configuración del algoritmo de evolución diferencial, incluyendo estrategia de mutación, modo de cruce y parámetros de control), la razón de la ejecución real (respuesta: solo los resultados de ejecución reales pueden servir como base confiable de aptitud para la selección externa, los juicios a priori fácilmente son inconsistentes con el rendimiento real), el cambio clave respecto al DE fijo (respuesta: las estrategias y parámetros de control ya no están fijados durante todo el proceso, sino determinados dinámicamente por la evolución externa), la principal fuente de costo computacional (respuesta: cada configuración candidata debe ejecutar completamente una vez la tarea interna, el costo de evaluación se multiplica por la escala externa y las generaciones), la relación con trabajos posteriores (respuesta: MetaDE proporciona un paradigma de implementación de "usar un algoritmo evolutivo para mejorar un algoritmo evolutivo", ofreciendo referencia metodológica para la evolución posterior de estructuras algorítmicas).

Si se equivocan, primero volver a la división de "el nivel externo busca configuración, el nivel interno resuelve el problema", y la definición del "bucle cerrado de verificación". Las dos preguntas del caso: la primera pregunta tiene como punto clave que no hay garantía de consistencia confiable entre meta-indicadores o experiencia a priori y el rendimiento real de la tarea, debiendo usarse la retroalimentación real interna como base de selección, de lo contrario se retendrían configuraciones aparentemente razonables pero con rendimiento real deficiente, y la dirección evolutiva se desviaría sistemáticamente;

La segunda pregunta tiene como punto clave estimar primero el presupuesto total de evaluaciones (escala de población externa × generaciones × repeticiones internas), comprimir adecuadamente la escala de población externa o las generaciones, priorizar garantizar que las repeticiones internas no sean inferiores al nivel que permite estimar establemente la media (por ejemplo, 5 a 10 veces), y al mismo tiempo aumentar el grado de paralelismo, usando si es necesario parada temprana o modelos sustitutos para pre-filtrado, pero cualquier candidato que entre en la comparación final y decida su permanencia debe pasar por la verificación real de la tarea original. El lenguaje de retroalimentación puede referirse a: cuando es correcto, afirmar que puede conectar los conceptos de esta página y explicar la base; cuando es incorrecto, sugerir volver a la explicación de esta página, encontrar evidencia clave o ejemplos antes de juzgar.

【Verificación de comprensión】Pedir aleatoriamente a un estudiante que resuma con sus propias palabras la estructura de doble nivel de MetaDE y el bucle cerrado de verificación; el instructor complementa las palabras clave omitidas según la respuesta, como "el nivel externo optimiza la configuración del algoritmo", "el nivel interno optimiza la solución del problema", "las configuraciones candidatas deben ejecutarse realmente una vez", "la aptitud solo puede provenir de resultados de ejecución reales".

【Sugerencia de transición】Tras confirmar que los estudiantes pueden decir "el nivel externo busca configuraciones de algoritmo, el nivel interno busca soluciones al problema" y el bucle cerrado de "generación de configuración→verificación de tarea→selección por retroalimentación", pasar a la siguiente página sobre ejemplos, aplicaciones o resumen.

<a id="lecture-page-9"></a>

### Evolución de Estructuras Algorítmicas: AutoPSO y EvoGO

*Página 9*

> **Objetivo de la página:** Los estudiantes deben comprender la forma de salto desde la optimización de parámetros hacia la evolución de estructuras algorítmicas.

**Puntos clave de enseñanza**

- Al encontrar un nuevo método, primero ubicar su espacio de búsqueda externo: si busca configuraciones numéricas, es ajuste de parámetros; si busca combinaciones de componentes y modos de generación de candidatos, es modificación de estructura. Este orden de preguntas permite juzgar en una frase el nivel en que se encuentra el método.
- Por más que se amplíe el intervalo de búsqueda del factor de aprendizaje o el tamaño de población, la estructura sigue fija, la forma del comportamiento no cambia, y esencialmente sigue siendo el nivel de parámetros. El criterio de juicio es "si la combinación de componentes es variable", no "si el rango de valores es más amplio".
- La evolución a nivel de estructura tiene un espacio de búsqueda mayor y cada evaluación es más costosa, por lo que la selección externa debe depender de muestras de contraste "estructura—rendimiento" suficientemente densas. Antes de empezar, preguntarse: ¿hay capacidad de paralelización por lotes que permita evaluar simultáneamente gran cantidad de tareas internas? Sin esto, la evolución de estructuras fácilmente se ahoga en el ruido de ejecución.

> **Objetivo de la página**
>
> Esta página se centra en la "evolución de estructuras algorítmicas". Los estudiantes deben comprender la forma de salto desde la optimización de parámetros hacia la evolución de estructuras algorítmicas, y poder usar "el nivel del espacio de búsqueda externo" como criterio para distinguir ajuste de parámetros de modificación de estructura.
>
> Orden de exposición y puntos clave:
>
> 1. Primero comparar MetaDE con AutoPSO / EvoGO. El espacio de búsqueda externo de MetaDE es la configuración y estrategias del algoritmo interno (factor de aprendizaje, probabilidad de mutación, presión de selección, etc.), perteneciendo al nivel de parámetros: estructura fija, solo se ajustan valores, lo que cambia es la intensidad del comportamiento. El espacio de búsqueda externo de AutoPSO / EvoGO es la estructura del algoritmo misma: qué componentes participan en la combinación, cómo es el flujo de generación de candidatos, cómo se actualiza el estado. En el nivel de estructura, lo variable son los componentes y modos de conexión, lo que cambia es la forma del comportamiento. La clave del juicio no es el nombre del método, sino qué busca realmente el nivel externo.
>
> La fórmula de actualización velocidad—posición del PSO clásico está predefinida. AutoPSO la descompone en un pool de componentes combinables, incluyendo términos de velocidad, topología de vecindad, términos de perturbación, estrategias de reinicio, etc.; luego la evolución externa selecciona y ensambla nuevos generadores de candidatos. Así, la "estructura de actualización" misma se convierte en variable buscable. Enfatizar: ajustar el factor de aprendizaje solo cambia la intensidad del comportamiento, cambiar la combinación de componentes cambia la forma del comportamiento.
>
> Se enfoca en incorporar la retroalimentación histórica a la ruta de evolución estructural. Las trayectorias de búsqueda y registros de rendimiento previos ya no se usan solo para "seleccionar soluciones", sino para decidir "hacia dónde modificar la estructura a continuación". La retroalimentación pasa de ser un filtro de resultados a ser el timón de la actualización estructural — lo que cambia es la dirección de los candidatos estructurales de la siguiente ronda, no seleccionar resultados entre un lote de candidatos ya completados.
>
> Ambos comparten el mismo esqueleto — el algoritmo interno se ejecuta en tareas reales, el nivel externo evoluciona la estructura según el rendimiento interno. La premisa clave es la densidad de muestras: la GPU ejecuta en paralelo por lotes gran cantidad de tareas internas, haciendo que las muestras de contraste "estructura—rendimiento" sean suficientemente densas, para que la selección externa tenga significado estadístico y no sea influenciada por el ruido de una sola ejecución. Implicación ingenieril: el algoritmo pasa de ser "una elección a priori única" a ser "un objeto que puede mejorarse continuamente"; el costo es que el espacio de búsqueda a nivel de estructura es mayor y el costo de evaluación más alto, por lo que depende de la base de paralelización con tensorización, lo cual es también la motivación directa del tema de paralelismo en GPU de la siguiente sección.

> **Pistas de material**
>
> - Pool de componentes a la izquierda (operadores combinables), ensamblaje estructural en el centro (selección estructural impulsada por retroalimentación histórica), generador de candidatos a la derecha (instanciado por la estructura externa)
> - Evaluación de tareas internas en la parte inferior y ejecución paralela por lotes en GPU, con flechas de retroalimentación que envían el rendimiento interno de vuelta al nivel externo. Al explicar, seguir el orden de "combinación—instanciación—evaluación—retroalimentación".

**Tratamiento de ejercicios**

Esta página tiene 5 preguntas de opción múltiple. La pregunta 1 tiene como opción correcta "si el espacio de búsqueda externo es la configuración y estrategias del algoritmo interno, o la estructura del algoritmo misma"; punto de retroalimentación: buscar valores = ajuste de parámetros, buscar combinaciones de componentes y modos de generación de candidatos = modificación de estructura. La pregunta 2 tiene como opción correcta "descomponer la optimización por enjambre de partículas en un pool de componentes combinables, y que el nivel externo evolucione seleccionando y ensamblando nuevos generadores de candidatos". La pregunta 3 tiene como opción correcta "pasar de usarse solo para 'seleccionar soluciones' a usarse para decidir 'hacia dónde modificar la estructura a continuación'". La pregunta 4 tiene como opción correcta "hacer que las muestras de contraste 'estructura—rendimiento' sean suficientemente densas, para que la selección externa tenga significado estadístico". La pregunta 5 tiene como opción correcta "recombinar términos de velocidad, topología de vecindad, términos de perturbación y estrategias de reinicio en nuevos generadores de candidatos".

Cada respuesta correcta puede afirmarse que el estudiante puede conectar los conceptos de esta página y explicar la base; las respuestas incorrectas sugieren volver a la explicación de esta página para encontrar evidencia clave o ejemplos.

Tratamiento del caso:

El caso requiere actualizar un solucionador PSO de estructura fija a un sistema de estructura evolucionable. Criterio de la pregunta 1: observar el nivel del espacio de búsqueda externo. Si solo se ajustan valores como el peso de inercia, factor de aprendizaje, tamaño de población, número de iteraciones, sigue siendo nivel de parámetros; solo cuando el nivel externo puede cambiar la combinación de componentes y el modo de generación de candidatos, por ejemplo reseleccionando y ensamblando términos de velocidad, topología de vecindad, términos de perturbación, estrategias de reinicio, cambiando la forma del comportamiento, se considera el salto al nivel de estructura. Verificación operable: congelar todos los hiperparámetros numéricos, permitir solo al nivel externo modificar la combinación de componentes; si el comportamiento de búsqueda aún cambia esencialmente, entonces se ha ascendido al nivel de estructura.

Organizar los registros de ejecución interna tras cada instanciación estructural en características de retroalimentación estructuradas (combinación de componentes, trayectoria de convergencia, forma de la curva de aptitud, patrones de fallo o estancamiento, etc.), haciendo que estas características impulsen directamente las reglas de actualización estructural externa, por ejemplo decidiendo "qué componente modificar prioritariamente a continuación, qué conexión añadir o eliminar", en lugar de simplemente ordenar y tomar el mejor. Diferencia con "solo para seleccionar soluciones": cuando solo se usa para seleccionar soluciones, la retroalimentación es un filtro de resultados a posteriori; en el uso estilo EvoGO, la retroalimentación es un controlador de dirección a priori. Y recordar que se necesita combinar con la ejecución paralela por lotes en GPU de gran cantidad de tareas internas, acumulando muestras de contraste suficientemente densas.

**Cobertura de palabras clave**

- AutoPSO, EvoGO, MetaDE, nivel de parámetros, nivel de estructura, pool de componentes, generador de candidatos, retroalimentación histórica, paralelismo en GPU, muestras de contraste estructura—rendimiento. Verificación de comprensión y actividad en clase: ¿Cómo juzgar si un método pertenece al ajuste de parámetros o a la modificación de estructura? ¿Qué hacen respectivamente AutoPSO y EvoGO? También se puede pedir a los estudiantes que repitan con un ejemplo cercano a su experiencia el orden de preguntas de "qué busca el nivel externo".

> **Sugerencia de transición**
>
> Tras confirmar que los estudiantes pueden explicar la diferencia entre el nivel de parámetros y el nivel de estructura, y la dependencia de la evolución estructural de la densidad de muestras paralelas, pasar a la siguiente página sobre paralelismo en GPU o al resumen de aplicaciones posteriores.

<a id="lecture-page-10"></a>

### Paralelismo en GPU y Usar la Evolución para Mejorar la Evolución

*Página 10*

> **Objetivo de la página:** Los estudiantes deben dominar cómo, mediante el paralelismo en GPU, hacer que la auto-optimización del algoritmo sea un proceso computacional ejecutable.

> **Objetivo de la página**
>
> Comprender cómo, en la arquitectura de doble nivel de "usar la evolución para mejorar la evolución", el paralelismo en GPU convierte el rendimiento de evaluación interno en retroalimentación estadística utilizable por el nivel externo, haciendo que la auto-optimización del algoritmo sea un proceso ejecutable.

> **Orden de exposición**
>
> Primero establecer la intuición del bucle cerrado de doble nivel — ejecución y puntuación por lotes del nivel interno, agregación de rendimiento del nivel medio, selección, mutación o actualización de configuración del nivel externo; luego explicar por qué el paralelismo en GPU es insustituible; finalmente usar puntos propensos a error y ejercicios para verificar si los estudiantes realmente distinguen las responsabilidades de ambos niveles.

**Puntos clave de enseñanza**

- 1. Estructura de doble nivel. El nivel interno se encarga de ejecutar por lotes en GPU gran cantidad de configuraciones de algoritmos candidatas, por ejemplo diferentes hiperparámetros, operadores o estrategias de búsqueda, y completar la ejecución y puntuación de cada instancia de tarea. La granularidad de tarea es pequeña y la cantidad grande, lo cual coincide perfectamente con las características de rendimiento del procesamiento por lotes. El nivel medio agrega el rendimiento bruto de gran cantidad de tareas internas en indicadores estadísticos, estimando las ventajas y desventajas de cada configuración sobre toda la distribución de tareas, formando la aptitud para uso del nivel externo. El nivel externo toma la retroalimentación estadística como entrada para ejecutar selección, mutación o actualización, generando la siguiente generación de configuraciones y enviándolas de vuelta al nivel interno, constituyendo el bucle cerrado. Rendimiento paralelo → retroalimentación de rendimiento → selección de configuración. Cuanto mayor el grado de paralelismo, más completas las muestras de retroalimentación, más estable la estimación de aptitud del nivel externo, más confiable la dirección de mejora de configuración
- Las configuraciones mejoradas se envían de vuelta a la capa inferior, entrando en la siguiente ronda de rendimiento paralelo. 3. El paralelismo en GPU es insustituible. Bajo el bucle serial tradicional, el tiempo de pared de una iteración está determinado conjuntamente por "número de configuraciones candidatas × número de muestras de tarea", volviéndose inaceptable con un tamaño ligeramente mayor; el bucle serial se convierte así en el principal cuello de botella que limita el espacio de configuración y la escala de muestras de tarea. El paralelismo en GPU permite que gran cantidad de algoritmos internos se ejecuten simultáneamente, reduciendo el bucle serial de cuello de botella principal a sobrecarga de procesamiento por lotes aceptable, ampliando simultáneamente el espacio de configuración explorable y el tamaño de muestras de tarea.

> **Pistas de material**
>
> - El diagrama del bucle cerrado muestra de abajo hacia arriba el rendimiento de tareas y la retroalimentación de aptitud, y de arriba hacia abajo el envío de configuraciones
> - Cada unidad representa una ejecución y puntuación paralela de una configuración de algoritmo en una instancia de tarea. Al explicar, enfatizar que las dos direcciones de flujo de datos son opuestas, pero ambas indispensables. El nivel interno "ejecuta la tarea del algoritmo y produce la puntuación", el nivel externo "evoluciona seleccionando configuraciones"; no confundir ambos niveles. La retroalimentación solo puede provenir del rendimiento de ejecución real del nivel interno, no de conjeturas aleatorias del nivel externo o constantes establecidas manualmente. Si la aptitud externa es estable depende del tamaño de muestra proporcionado por el paralelismo interno
> - Cuanto más completo el paralelismo, más estable la estimación
> - Cuando las muestras son escasas, primero verificar el rendimiento del nivel interno, en lugar de apresurarse a ajustar parámetros del nivel externo.

**Tratamiento de ejercicios**

La opción correcta de la pregunta 1 es "datos de rendimiento agregados tras la ejecución paralela de tareas internas en GPU". Si los estudiantes se equivocan, volver al bucle cerrado y enfatizar: la retroalimentación siempre proviene de los resultados de ejecución reales de gran cantidad de tareas internas, no de números aleatorios o etiquetas manuales.

La opción correcta de la pregunta 2 es "el tiempo de pared de una iteración acumulado en el bucle serial por gran cantidad de configuraciones candidatas y muestras de tarea". Si los estudiantes se equivocan, sugerir que el cuello de botella está en el rendimiento de evaluación, no en la definición de operadores, aproximación de distribuciones o interpretabilidad, que son cuestiones no relacionadas con la escala de cómputo.

La opción correcta de la pregunta 3 es "ejecución y evaluación paralela interna → agregación de retroalimentación de rendimiento → selección o mutación de configuración externa". Si los estudiantes se equivocan, enfatizar que los datos primero los produce el nivel interno, luego se agregan como retroalimentación, y finalmente el nivel externo los usa para la selección de configuración; el orden no puede invertirse; ambos niveles deben intercambiar información para que funcione.

La opción correcta de la pregunta 4 es "retroalimentación estadística insuficiente, aumento del ruido en la estimación de aptitud externa, convergencia más lenta". Si los estudiantes se equivocan, explicar que el paralelismo insuficiente no equivale a detención del sistema, sino que hace más escasa la retroalimentación estadística y mayor la varianza, ralentizando o incluso desviando la búsqueda externa.

La opción correcta de la pregunta 5 es "una ejecución y puntuación paralela de una configuración de algoritmo en una instancia de problema específica". Si los estudiantes se equivocan, recordar que la unidad de tarea interna es "configuración × instancia de problema" ejecutada y puntuada una vez; miles de tales tareas ejecutándose en paralelo forman el rendimiento.

La pregunta 1 requiere explicar que el nivel interno ejecuta por lotes en paralelo en GPU configuraciones de algoritmo y completa la puntuación, los indicadores se agregan como retroalimentación estadística para estimar la aptitud, y el nivel externo ejecuta selección, mutación o actualización según ella y envía de vuelta la siguiente generación de configuraciones, formando el bucle cerrado de "rendimiento paralelo—retroalimentación de rendimiento—selección de configuración". La pregunta 2 debe combinar rendimiento y calidad de retroalimentación: el bucle serial en CPU limita el número de configuraciones candidatas y muestras de tarea por el rendimiento de un solo hilo, y el tiempo de pared de una iteración crece rápidamente con la escala hasta volverse inaceptable; las muestras de retroalimentación disminuyen, la varianza aumenta, el juicio del nivel externo sobre las ventajas y desventajas de las configuraciones se vuelve inestable, la dirección de búsqueda fácilmente se desvía, la convergencia se ralentiza o incluso se estanca. El paralelismo en GPU, al aumentar el rendimiento interno, amplía tanto la escala de configuraciones y tareas explorables como garantiza la calidad estadística de la retroalimentación.

**Verificación de comprensión**

Pedir a los estudiantes que repitan con sus propias palabras "rendimiento paralelo → retroalimentación de rendimiento → selección de configuración", y que señalen qué se encarga cada uno de los niveles interno y externo. Si los estudiantes solo recuerdan que la GPU es rápida, pero no explican claramente que la retroalimentación proviene de la ejecución real del nivel interno, volver al diagrama del bucle cerrado para complementar.

> **Sugerencia de transición**
>
> Tras confirmar que los estudiantes pueden distinguir las responsabilidades de ambos niveles y decir que la calidad de la retroalimentación depende del tamaño de muestra paralelo interno, pasar a la siguiente página sobre aplicaciones, ejemplos o resumen.

<a id="lecture-page-11"></a>

### Diseño de un Plano Experimental de Optimización de Doble Nivel

*Página 11*

> **Objetivo de la página:** Los estudiantes deben diseñar mediante la práctica un esquema experimental que tome el factor de mutación de la evolución diferencial como objeto de evolución externa.

**Puntos clave de enseñanza**

- Sin una comparación en la misma plataforma con F = 0.5 fijo y DE adaptativo clásico, cualquier "victoria del nivel externo" es solo ruido. La línea base debe usar el mismo presupuesto de evaluación, el mismo hardware y el mismo conjunto de semillas aleatorias que tu esquema.
- La evaluación interna tiene ruido natural: ejecutar repetidamente y observar simultáneamente la media, mediana y peor cuantil, reportando intervalos de confianza si es necesario; separar tareas de entrenamiento y de validación, evitando que el nivel externo solo memorice algunas semillas afortunadas.
- Cada mapeo de gen a configuración en tiempo de ejecución debe escribirse como reglas ejecutables directamente, y registrarse junto con el experimento: semillas, presupuesto, ID de tarea, hardware y condiciones de parada. Solo si otros pueden reproducir exactamente según estos registros, el plano es realmente válido.

> **Objetivo de la página**
>
> Elevar el factor de mutación F de la evolución diferencial (DE) de hiperparámetro fijo a objeto evolucionable externo, diseñando un plano experimental de optimización de doble nivel ejecutable y reproducible.
>
> Orden de exposición y puntos clave:
>
> 1. Primero dar el bucle cerrado de doble nivel. El nivel externo se encarga de evolucionar la estrategia F, el nivel interno usa una configuración F para ejecutar el DE resolviendo la tarea, y retroalimenta el rendimiento de la tarea al nivel externo. El nivel externo actualiza la configuración según la retroalimentación, formando el ciclo "configuración → ejecución → evaluación → actualización".
>
> 2. El nivel interno debe hacerse como experimento repetible. Tras seleccionar funciones de referencia o tareas, fijar la estructura principal del DE, la dimensión, el presupuesto de evaluación y el conjunto de semillas aleatorias; la única cantidad que varía es la configuración F transmitida por el nivel externo. Cada ejecución registra valor óptimo, generaciones de convergencia, tasa de éxito, violación de restricciones, hipervolumen, diversidad de candidatos y otros indicadores; esta es toda la información que el nivel externo puede ver.
>
> 3. El nivel externo no busca un valor numérico, sino una estrategia F. Las codificaciones comunes incluyen F constante, F constante por etapas (como [F1,F2,F3] cambiando por intervalos de generaciones) y funciones de programación controladas por pocos genes (como activadas por tasa de éxito, varianza de población o proporción de generaciones). Las codificaciones de tipo estrategia deben especificar claramente las características de entrada y las reglas de salida.
>
> 4. El mapeo de genotipo a configuración en tiempo de ejecución debe ser explícito y reproducible. Por ejemplo, [F inicio, F fin, decaimiento] puede mapearse a F(t)=F inicio+(F fin−F inicio)×e^(−decaimiento×t/T), donde t es la generación actual y T el total de generaciones; [F1,F2,F3] puede mapearse a tres segmentos constantes. El mismo genotipo debe producir siempre la misma configuración en tiempo de ejecución, de lo contrario los "buenos genes" aprendidos por el nivel externo no pueden explicarse ni transferirse.
>
> 5. La ejecución del bucle cerrado depende de la evaluación por lotes. Tras generar el nivel externo un lote de configuraciones F, el programador distribuye en paralelo las tareas DE internas, evalúa por lotes con tensorización en GPU, agrega los indicadores y luego entra en la selección, mutación, cruce y actualización del nivel externo. Se necesitan registrar semillas, presupuesto, ID de tarea, modelo de hardware y condiciones de parada, para que otros puedan reproducir bajo las mismas condiciones.
>
> 6. La agregación de evaluaciones debe ser robusta. El nivel interno tiene ruido natural, por lo que puede ejecutarse múltiples veces independientemente, reportando media, mediana, peor cuantil o intervalos de confianza; al mismo tiempo, distinguir tareas de entrenamiento y validación, evitando que el nivel externo solo memorice algunas semillas afortunadas.
>
> Primero usar modelos de baja fidelidad o evaluación sustituta para un filtrado grueso, luego reevaluar con alta fidelidad unos pocos candidatos; protección de línea base: F=0.5 fijo y DE adaptativo clásico deben compararse en la misma plataforma, y usar experimentos de ablación para confirmar que la ganancia proviene de la evolución externa misma, no de más evaluaciones. Si el espacio de búsqueda externo es demasiado pequeño, la optimización de doble nivel degenera en ajuste manual de parámetros, y entonces se debe ampliar el espacio de codificación.

**Cobertura de palabras clave**

- Optimización de doble nivel, evolución externa, evaluación interna, estrategia F, mapeo explícito, evaluación por lotes en GPU, línea base, ablación, reproducibilidad, protección contra ruido.

> **Pistas de material**
>
> - La página muestra el plano con el diagrama del bucle cerrado de "bucle externo—tarea interna—mapeo de configuración—retroalimentación de tarea", y enumera los campos obligatorios: objetivo de tarea interna, objeto de estrategia externa, modo de mapeo F, indicadores de evaluación, paralelismo y presupuesto, condiciones de línea base/ablación/parada. Pistas de ejercicios y guía de respuestas: La opción correcta de la pregunta 1 es "fijar la estructura principal del DE, la dimensión, el presupuesto de evaluación y el conjunto de semillas aleatorias". El punto clave es que solo con los demás factores fijados, las diferencias causadas por distintas configuraciones F pueden atribuirse a F. La opción correcta de la pregunta 2 es "programación continua F(t) con decaimiento exponencial por generaciones". Los tres genes [F inicio, F fin, decaimiento] controlan respectivamente el punto de inicio, el punto final y la tasa de decaimiento. La opción correcta de la pregunta 3 es "el programador distribuye en paralelo las tareas DE internas y evalúa por lotes con tensorización en GPU". Las configuraciones deben ejecutarse y medirse primero, antes de actualizar la aptitud externa. La opción correcta de la pregunta 4 es "ejecutar múltiples veces independientemente y agregar por mediana, peor cuantil, etc., distinguiendo simultáneamente tareas de entrenamiento y validación". Esta es la clave para manejar el ruido interno y prevenir el sobreajuste a semillas afortunadas. La opción correcta de la pregunta 5 es "comparar en la misma plataforma con líneas base como F=0.5 fijo y DE adaptativo clásico, y hacer experimentos de ablación para confirmar la fuente de ganancia". Solo comparando bajo el mismo presupuesto, hardware y conjunto de semillas, la conclusión es válida. El ejercicio de caso requiere dar reglas de mapeo y esquema de agregación de evaluación. Se puede diseñar una programación continua o constante por etapas, pero debe ser explícita y reproducible
> - El nivel interno registra valor óptimo, generaciones de convergencia, tasa de éxito y varianza; el nivel externo puede agregar en ranking, término de convergencia y penalización de varianza
> - Usar F fijo y DE adaptativo como línea base, luego ejecutar el grupo de ablación de "desactivar la evolución externa, solo muestrear aleatoriamente el mismo número de configuraciones", verificando que la ganancia no proviene del aumento del número de evaluaciones.

**Actividad en clase**

Pedir a los estudiantes que en grupos diseñen un plano experimental de optimización de doble nivel que tome el factor de mutación de DE como objeto de evolución externa, y dibujen en la pizarra el bucle cerrado del nivel externo e interno; cada grupo debe escribir al menos las reglas de mapeo de genotipo a F, los indicadores de evaluación, el modo de agregación de aptitud externa, el esquema de línea base y ablación.

**Verificación de comprensión**

Pedir aleatoriamente a los estudiantes que expliquen en dos frases "por qué todo excepto F debe fijarse" y "por qué el mapeo explícito es la premisa de la reproducibilidad". Si los estudiantes pueden conectar con la atribución, transferencia y reproducción, significa que han dominado el núcleo de esta página.

> **Sugerencia de transición**
>
> Tras confirmar que los estudiantes pueden dibujar el bucle cerrado de "mapeo de configuración → ejecución interna → retroalimentación de tarea → actualización externa", y explicar el papel de la línea base y la ablación, pasar a la siguiente página sobre ejemplos o resumen.

<a id="lecture-page-12"></a>

### Desarrollo Continuo de Sistemas Inteligentes y Desafíos Ambientales

*Página 12*

> **Objetivo de la página:** Los estudiantes deben comprender los desafíos de adaptación ambiental a largo plazo que enfrentan los sistemas impulsados por grandes modelos.

**Puntos clave de enseñanza**

- Condensar el desarrollo continuo en un mantra: generación de candidatos → verificación en entorno real → filtrado (aceptación / rechazo) → preservación de resultados. Si falta cualquier eslabón, los componentes de inteligencia fuerte solo pueden quedarse en "capacidad puntual".
- El aumento de la puntuación de referencia solo indica que el candidato es mejor en datos antiguos, no equivale a que se adapte mejor en el nuevo entorno. Para juzgar si un cambio merece conservarse, hay que ver su rendimiento en el entorno real, no su ranking en el conjunto de reproducción.
- Pregúntate: ¿mi sistema preserva y reutiliza los resultados ya verificados? ¿Alguna vez ha rechazado modificaciones que destruirían capacidades existentes? Si ambas respuestas son "no", entonces aún no ha comenzado realmente el "desarrollo continuo".

Objetivo de la página

Esta página discute el desarrollo continuo de sistemas inteligentes y los desafíos ambientales; el núcleo no es seguir preguntando qué tan fuerte es un componente inteligente individual, sino comprender que los componentes de inteligencia fuerte son solo materiales, y deben organizarse en un marco sistémico capaz de adaptarse al entorno a largo plazo.

Puntos clave de enseñanza

1. Un componente fuerte no equivale a un sistema sostenible. Modelos más grandes, mayor capacidad de generación y razonamiento, puntuaciones de referencia más altas, nada de esto trae automáticamente adaptación a largo plazo. Conectar el componente inteligente al sistema solo completa el primer paso.

Generación de candidatos, verificación en entorno real, filtrado de cambios, persistencia de resultados. La generación de candidatos requiere producir continuamente candidatos de estrategias, estructuras o parámetros genuinamente diferentes; si los candidatos son altamente homogéneos, la evolución pierde materia prima. La verificación en entorno real hace que los candidatos entren en tareas reales y retroalimentación real, exponiendo la deriva de distribución, condiciones límite y escenarios de cola larga que los indicadores offline no pueden ver. El filtrado de cambios debe aceptar cambios efectivos y rechazar modificaciones que destruyan capacidades existentes, siendo esta última frecuentemente la principal fuente de degradación a largo plazo. La persistencia de resultados preserva los esquemas, estrategias o experiencias verificados como efectivos, para que la generación posterior de candidatos los reutilice, formando una trayectoria de desarrollo acumulable.

Los indicadores offline solo describen el rendimiento sobre datos pasados, mientras que en el entorno real la distribución de tareas se desplaza, las restricciones de recursos cambian y nuevas demandas fluyen constantemente. Optimizar solo dentro de objetivos preestablecidos o indicadores offline hace que el sistema gire en torno a objetivos sustitutos cerrados; cuando el entorno cambia, las modificaciones no verificadas realmente pueden erosionar silenciosamente las capacidades existentes. Por lo tanto, el filtrado y la memoria son igualmente clave.

Expandir desde qué puede hacer el componente inteligente hacia cómo el sistema organiza el desarrollo continuo y enfrenta los desafíos del entorno real. Sin los cuatro tipos de mecanismos, un agente inteligente fuerte también puede repetir errores en tareas a largo plazo, o destruir capacidades originales en las actualizaciones; una vez que los cuatro tipos de mecanismos forman un bucle cerrado, las capacidades fuertes pueden acumularse establemente.

Pistas de material

El diagrama puede destacar la conexión del componente de inteligencia fuerte al marco de desarrollo continuo, con el entorno externo ejerciendo presión continua mediante deriva de tareas, restricciones de recursos y flujo de nuevas demandas, y las flechas del bucle cerrado correspondiendo a candidatos por lotes, retroalimentación real, cambios filtrados y sedimentación para reutilización.

Errores comunes

Tomar una mejora única en la puntuación de una prueba de referencia como que el sistema ya completó su evolución. La mejora de puntuación solo indica que el candidato es mejor en datos antiguos; si merece aceptarse y conservarse requiere verificación en entorno real y filtrado.

Pistas de ejercicios

Lo más preciso es establecer un marco de organización sistémica capaz de enfrentar cambios ambientales a largo plazo, haciendo que los candidatos pasen por verificación real y sean filtrados, acumulados y conservados. Pregunta 2: debe verificarse realmente, porque la optimización offline no puede exponer las formas de fallo de los candidatos en el entorno real. Pregunta 3: el papel central tras la verificación es aceptar cambios efectivos, rechazar modificaciones que destruyan capacidades existentes, y preservar persistentemente los resultados verificados. Pregunta 4: sin los cuatro tipos de mecanismos, lo más probable es repetir errores a largo plazo o destruir capacidades existentes en las actualizaciones. Pregunta 5: el foco pasa de qué puede hacer el componente inteligente a cómo el sistema organiza el desarrollo continuo y enfrenta los desafíos ambientales.

Al diagnosticar un sistema de respuesta automatizada en entorno de producción, se debe señalar que carece de generación de candidatos, verificación en entorno real, filtrado de cambios y persistencia de resultados, explicando respectivamente las consecuencias: la homogeneidad de estrategias causa fallos repetidos en fallas similares, la reproducción offline no puede exponer la deriva en producción, las actualizaciones destructivas se despliegan completamente, la falta de preservación de experiencias hace que nuevas sesiones comiencen desde cero. El esquema de mejora puede usar tráfico en sombra o canales de despliegue gradual para verificación real, establecer controles de cambio, crear una biblioteca de experiencias que preserve esquemas verificados y sus condiciones de aplicabilidad; al mismo tiempo, explicar las compensaciones: el despliegue gradual y los controles estrictos reducen la velocidad de evolución y la eficiencia de despliegue, y aumentan los costos, requiriendo un equilibrio entre la velocidad de exploración y la no degradación de las capacidades existentes.

Verificación de comprensión

¿Mi sistema preserva y reutiliza resultados verificados? ¿Ha rechazado modificaciones que destruirían capacidades existentes? Si ambas respuestas son no, el sistema aún no ha comenzado realmente el desarrollo continuo.

Sugerencia de transición

Tras confirmar que los estudiantes pueden repetir el bucle cerrado de cuatro eslabones y su necesidad, pasar a la siguiente página sobre ejemplos, aplicaciones o resumen.

<a id="lecture-page-13"></a>

### Inicio Rápido y Configuración Simplificada del Entorno

*Página 13*

> **Objetivo de la página:** Los estudiantes deben comprender cómo acceder rápidamente al marco EvoX mediante herramientas e interfaces concisas.

**Puntos clave de enseñanza**

- Una vez configurado el entorno, primero usar un ejemplo mínimo para confirmar que la cadena "problema → algoritmo → ejecución → resultado" está fluida, y luego cambiar al experimento real. Muchos problemas aparentes de "el algoritmo no converge" provienen en realidad de dependencias faltantes o dispositivos no invocados correctamente.
- Tras completar la instalación, verificar inmediatamente si las versiones de dependencias coinciden con el tipo de dispositivo objetivo (CPU / GPU / clúster). Cuanto antes se expongan los problemas de entorno, menor el costo de reparación; esperar a que ocurra un error a mitad de un experimento largo desperdicia mucho más tiempo que la inversión en verificación previa.
- Hacer que los módulos de algoritmo y problema dependan solo de interfaces estandarizadas, sin codificar dispositivos concretos o escalas de paralelismo en el código. Así, al expandir de una máquina única a un clúster distribuido, frecuentemente solo se necesita ajustar la configuración de programación del Runtime, sin reescribir la lógica del algoritmo.

Objetivo de la página

Cómo completar la instalación e inicialización de EvoX con un flujo minimalista asistido por IA, y conectar los recursos computacionales subyacentes con el entorno evolutivo mediante interfaces estandarizadas, para que los investigadores vuelvan lo antes posible a "diseñar problemas".

Orden de exposición

Primero señalar la contradicción central — al comenzar realmente los experimentos, lo primero que se encuentra frecuentemente no son problemas de algoritmo, sino problemas de entorno como instalación de paquetes, alineación de dependencias, selección de dispositivos y localización de errores. Luego dar el flujo mínimo de cuatro pasos "instalación → configuración → verificación → ejecución", después presentar el diseño de desacoplamiento de interfaces estandarizadas, y finalmente consolidar con errores comunes y ejercicios.

Puntos clave de enseñanza

Completar la inicialización del entorno, especificando si este experimento usa CPU, GPU o clúster; verificación: comprobar si las dependencias están completas, si el dispositivo computacional objetivo puede ser reconocido e invocado; ejecución: ejecutar el ejemplo mínimo, confirmando que la cadena "problema → algoritmo → ejecución → resultado" está completa. Los cuatro pasos completados producen una línea base confiable, que puede usarse como referencia ante anomalías posteriores, para juzgar si el problema está en el entorno o en el diseño experimental.

2. Acceso minimalista asistido por IA. Las herramientas de IA pueden comprimir la instalación de múltiples pasos, la obtención de dependencias y las operaciones de configuración básica en una o dos instrucciones en lenguaje natural, y dar sugerencias de reparación específicas ante conflictos de versión, dependencias faltantes o dispositivos no disponibles. Su valor no está en hacer investigación por el investigador, sino en reducir la barrera de acceso al marco y comprimir la sobrecarga de ingeniería no relacionada con la investigación.

3. Interfaces estandarizadas. Los módulos de algoritmo, problema y flujo de trabajo se escriben solo contra la interfaz unificada; si la capa inferior es GPU, multinúcleo local o clúster distribuido, se delega a la programación del Runtime. Al cambiar hardware o ajustar la escala de paralelismo, generalmente no se necesita reescribir el código del algoritmo, reduciéndose significativamente el costo de acoplamiento entre algoritmo, problema y capacidad computacional.

4. Errores comunes. Entender la "configuración minimalista" como "no preocuparse por la capa inferior" es el error más fácil de cometer. Lo minimalista solo delega el trabajo repetitivo a las herramientas; si el dispositivo y la versión coinciden, si la capacidad computacional realmente se está programando, aún debe confirmarse en la etapa de verificación. Cuanto más simple la configuración, más necesario cultivar el hábito de "primero ejecutar el ejemplo mínimo, luego comenzar el experimento formal", de lo contrario los problemas de entorno pueden estallar a mitad de un experimento largo, con un costo mucho mayor que la verificación previa.

Actividad en clase

Se puede pedir a los estudiantes que repitan con sus propias palabras el flujo de esta página, y que ejemplifiquen un caso de "parece que el algoritmo no converge, pero en realidad es una dependencia faltante o un dispositivo no invocado correctamente", verificando así la comprensión del papel de la etapa de verificación.

Tratamiento de ejercicios

Las 5 preguntas de opción múltiple de esta página giran en torno al valor de las herramientas de IA, el propósito de las interfaces estandarizadas, los puntos clave de la etapa de verificación, el papel del ejemplo mínimo y la estrategia de migración de una máquina a un clúster. Al abordarlas, primero pedir a los estudiantes que elijan la respuesta, luego indagar la base. La opción correcta de la pregunta 1 es "comprimir la instalación de múltiples pasos, dependencias y configuración en pocas instrucciones, y dar sugerencias de reparación ante errores", guiando a distinguir configuración de ingeniería de diseño de algoritmo y programación de ejecución. La pregunta 2 debe seleccionar "algoritmo, problema y capacidad computacional", enfatizando que la capa de interfaz se sitúa entre el entorno evolutivo y los recursos computacionales subyacentes. La pregunta 3 debe seleccionar "si las dependencias están completas y las versiones coinciden, si el dispositivo computacional objetivo puede ser reconocido e invocado", recordando que la verificación apunta al entorno y los recursos mismos.

La pregunta 4 debe seleccionar "usarse para confirmar que la cadena de extremo a extremo entre instalación, configuración, invocación de dispositivo y salida de resultados está conectada", el ejemplo mínimo establece una línea base confiable, no un punto de referencia de rendimiento. La pregunta 5 debe seleccionar "mantener básicamente sin cambios los módulos de algoritmo y problema, solo ajustar la programación y configuración de dispositivos del Runtime", porque la expansión horizontal solo cambia la configuración de programación, sin tocar el código del algoritmo y del problema. Afirmar cuando es correcto, guiar de vuelta al párrafo correspondiente para encontrar evidencia cuando es incorrecto.

Tratamiento del caso

"Completar la puesta en línea del entorno experimental EvoX en una semana" requiere diseñar un flujo minimalista de inicio y explicar el papel de las herramientas de IA. Se sugiere desarrollar en cuatro pasos: la instalación genera mediante IA las instrucciones de instalación de EvoX y dependencias según el entorno de la máquina, unificando versiones; la configuración genera mediante IA la configuración básica combinando la versión de Python y el tipo de dispositivo, especificando el uso de una estación de trabajo con GPU; la verificación comprueba que las dependencias están completas, las versiones compatibles, y la GPU puede reconocerse e invocarse; la ejecución del ejemplo mínimo completa la cadena de extremo a extremo. El papel de las herramientas de IA atraviesa los cuatro pasos: traducir las operaciones de múltiples pasos de consultar documentación y depurar uno por uno en pocas instrucciones ejecutables, y dar sugerencias de reparación ante errores.

La segunda pregunta trata sobre cómo las interfaces estandarizadas reducen el costo de acoplamiento; el punto clave es que el algoritmo se escribe solo contra la interfaz unificada, y qué GPU, cuántos procesos locales o qué nodos del clúster ejecutan se decide por el Runtime, por lo que la migración generalmente solo cambia la programación y la configuración de dispositivos, sin reescribir el código del algoritmo y del problema. Antes de migrar se debe verificar: que las versiones de dependencias del nuevo entorno coincidan con las del original, que el dispositivo objetivo pueda reconocerse e invocarse, que la distribución de datos y la comunicación entre nodos funcionen, y volver a ejecutar la cadena de extremo a extremo con el ejemplo mínimo en la nueva topología, registrando el rendimiento antes y después de la migración, evitando malinterpretar diferencias de entorno como mejoras del algoritmo.

Verificación de comprensión

Pedir aleatoriamente a un estudiante que resuma con sus propias palabras los puntos clave de esta página; el instructor complementa las palabras clave omitidas según la respuesta, como "flujo mínimo de cuatro pasos", "interfaces estandarizadas", "desacoplamiento", "línea base confiable", "primero ejecutar el ejemplo mínimo", etc.

Sugerencia de transición

Tras confirmar que los estudiantes pueden decir "configuración minimalista no equivale a no preocuparse por la capa inferior" y la relación de dos niveles "escribir algoritmos sobre la interfaz, programar la capacidad computacional bajo la interfaz", pasar a la siguiente página sobre ejemplos, aplicaciones o resumen.

<a id="lecture-page-14"></a>

### Capacidades Centrales y Transformación del Pensamiento del Investigador

*Página 14*

> **Objetivo de la página:** Los estudiantes deben comprender el cambio del rol central del investigador, de escribir código a mano a plantear preguntas clave, en la investigación científica asistida por IA.

**Puntos clave de enseñanza**

- Antes de comenzar cada experimento, preguntarse: ¿el nivel de este cambio es parámetro, programa, estructura algorítmica o flujo de investigación? Si el nivel no está claro, todos los resultados posteriores serán difíciles de explicar.
- Indicadores, señales sustitutas, umbrales de aceptación, criterios de fallo. Establecer un solo indicador principal es el riesgo más común: no se sabe "qué tan bueno es suficientemente bueno", ni "qué tan malo debe descartarse", y las conclusiones naturalmente no resisten el escrutinio.
- ¿La línea base está al mismo nivel? ¿El presupuesto es igual? ¿Las semillas se ejecutaron múltiples veces? ¿Las condiciones computacionales son consistentes? ¿Las pruebas estadísticas son adecuadas? Piensa: si cambias una semilla aleatoria, ¿tu conclusión sigue siendo válida?

> **Objetivo de la página**
>
> Comprender que en la investigación científica asistida por IA, la responsabilidad central del investigador se eleva de "escribir la implementación con las propias manos" a "plantear preguntas clave, definir criterios de evaluación y hacer juicios críticos sobre la evidencia". Esta página usa el radar de capacidades y tres tipos de preguntas clave para explicar el aterrizaje concreto de esta transformación del pensamiento.
>
> Orden de exposición y puntos clave:
>
> Antes se medía la capacidad por "si uno podía escribir la implementación con sus propias manos"; hoy el código y los scripts experimentales pueden ser producidos rápidamente por IA, y lo realmente escaso es plantear preguntas clave, definir criterios de evaluación y comparación justa, y hacer juicios críticos sobre la evidencia producida por IA. El radar compara el "investigador tradicional" con el "investigador AI Native": el primero enfatiza la implementación de codificación, el segundo destaca en definición de problemas, diseño de evaluación, comparación justa, juicio crítico y gusto científico, resonando con "la IA implementa respuestas, los humanos controlan la dirección".
>
> Una vez reducido el costo de implementación, el rol del investigador se eleva de "implementador" a definidor de problemas, diseñador de experimentos y árbitro de evidencia. El definidor de problemas juzga qué tipo de problemas tienen valor científico; el diseñador de experimentos convierte ideas vagas en protocolos experimentales ejecutables, reproducibles y comparables; el árbitro de evidencia mantiene escepticismo ante curvas, indicadores y conclusiones, indagando los límites de confianza y las condiciones de fallo.
>
> 3. Tres tipos de preguntas clave que deben ser respondidas por humanos:
>
> ¿Se va a modificar la optimización de parámetros, la implementación del programa, la estructura algorítmica o el flujo de investigación mismo? Diferentes niveles implican significados completamente distintos de las conclusiones.
>
> Indicadores, señales sustitutas, umbrales de aceptación, criterios de fallo, los cuatro son indispensables. Establecer solo un indicador principal fácilmente lleva a no saber "qué tan bueno es suficientemente bueno" ni "qué tan malo debe descartarse".
>
> Si la línea base, el presupuesto, la aleatoriedad, las condiciones computacionales y las pruebas estadísticas están alineadas. Las comparaciones no alineadas frecuentemente malinterpretan fluctuaciones aleatorias o ventajas computacionales como progreso del algoritmo.
>
> La IA puede generar gran cantidad de esquemas "que funcionan", pero que funcionen no equivale a que tengan valor. Taste matters — juzgar entre muchos esquemas viables cuál problema, cuál hipótesis, cuál evidencia tiene realmente valor científico. El centro de gravedad de las capacidades pasa de la velocidad de codificación al pensamiento crítico, la abstracción sistémica, el juicio de dominio y la división del trabajo humano-máquina.
>
> Tareas tipo EvoX / MetaDE. La IA puede generar en un día docenas de variantes de operadores de mutación y scripts experimentales配套, pero el investigador debe decidir si mejorar el operador de mutación, optimizar el flujo de evaluación o reconstruir el espacio de búsqueda, y en consecuencia establecer indicadores multiobjetivo y líneas base justas; de lo contrario, solo se obtienen resultados "que funcionan", no conocimiento confiable.
>
> Transformación del pensamiento, definidor de problemas, diseñador de experimentos, árbitro de evidencia, objeto de cambio, retroalimentación de evaluación, comparación justa, Taste matters, la IA implementa respuestas/los humanos controlan la dirección.

> **Pistas de material**
>
> - Radar de seis dimensiones — implementación de codificación, definición de problemas, diseño de evaluación, comparación justa, juicio crítico, gusto científico
> - ¿En qué dimensiones se concentran las diferencias entre el investigador tradicional y el investigador AI Native?

**Tratamiento de ejercicios**

La opción correcta es "pasar de 'implementador' a 'definidor de problemas, diseñador de experimentos y árbitro de evidencia'". Punto de retroalimentación: la etapa de implementación puede ser asumida en gran medida por la IA, lo escaso es juzgar qué problema merece responderse, qué evidencia merece creerse.

Si se está optimizando parámetros, reescribiendo programas, ajustando estructuras algorítmicas o reconstruyendo el flujo de investigación". Punto de retroalimentación: primero preguntar el nivel del cambio, luego hablar de si el resultado es bueno o malo; si el nivel no está claro, no se puede explicar si la mejora es confiable.

La opción correcta es "indicadores, señales sustitutas, umbrales de aceptación y criterios de fallo". Punto de retroalimentación: los cuatro definen respectivamente el modo de observación, la señal aproximada, el estándar de aprobación y las condiciones de fallo, siendo indispensables.

La opción correcta es "línea base, presupuesto, aleatoriedad, condiciones computacionales y pruebas estadísticas". Punto de retroalimentación: estas son las variables de control de una comparación justa; no alinearlas hará que se malinterpreten fluctuaciones aleatorias o ventajas computacionales como mejoras del algoritmo.

La opción correcta es "juzgar si cambiar el operador de mutación, el flujo de evaluación o el espacio de búsqueda, y en consecuencia establecer indicadores multiobjetivo y líneas base justas". Punto de retroalimentación: los juicios de direccionalidad y evaluación reflejan el gusto científico, y son los que permiten convertir "que funciona" en "conocimiento confiable".

Tratamiento del estudio de caso:

Nivel de parámetros (intensidad de mutación), nivel de operador (reemplazar operador de mutación), nivel de estructura (reconstruir el tronco del algoritmo) o nivel de flujo (flujo de evaluación y selección). Retroalimentación de evaluación: indicador principal y señales sustitutas (como hipervolumen, número de evaluaciones necesarias para converger), umbral de aceptación (magnitud de mejora relativa a la línea base), criterio de fallo (significativamente peor que la línea base o varianza excesiva implica descarte).

Misma línea base, presupuesto de evaluación consistente; fijar y ejecutar múltiples veces las semillas aleatorias; mismas condiciones computacionales; pruebas estadísticas adecuadas (como prueba de rangos con signo). Consecuencias de ignorarlo: malinterpretar fluctuaciones aleatorias o dividendos computacionales como progreso del algoritmo, obteniendo finalmente solo resultados "que funcionan".

**Verificación de comprensión**

Pedir a los estudiantes que respondan en una frase — "¿el nivel de este cambio es parámetro, programa, estructura algorítmica o flujo de investigación?" y que expliquen por qué si el nivel no está claro, los resultados posteriores son difíciles de explicar. También se puede pedir que repitan el cuarteto de retroalimentación de evaluación y la lista de autoverificación de comparación justa.

> **Sugerencia de transición**
>
> Tras confirmar que los estudiantes pueden distinguir los tres tipos de preguntas clave: objeto de cambio, retroalimentación de evaluación y comparación justa, y comprenden la elevación del rol del investigador, pasar a la siguiente página sobre ejemplos, aplicaciones o desarrollo adicional de la evolución de métodos.

<a id="lecture-page-15"></a>

### Construcción de una Infraestructura Evolutiva Sostenible

*Página 15*

> **Objetivo de la página:** Los estudiantes deben comprender el posicionamiento de EvoX como infraestructura en la conexión del mundo real con la evolución a largo plazo.

> **Objetivo de la página**
>
> Comprender que EvoX no es un solucionador de un solo uso, sino una infraestructura abierta que conecta el mundo real con la evolución a largo plazo.

> **Orden de exposición**
>
> Primero comparar "solucionador de un solo uso" con "infraestructura a largo plazo". La optimización tradicional enfrenta referencias estáticas, ejecutándose una vez para obtener una solución y terminar; el mundo real cambia continuamente, con objetivos que se desplazan, restricciones que se actualizan, costos de evaluación altos y retroalimentación retardada, por lo que se necesita una base que pueda operar a largo plazo, reutilizarse y expandirse.
>
> Conectar el mundo real, accediendo a entornos y retroalimentación reales; soportar la evolución a largo plazo, generando continuamente candidatos, verificando efectos y sedimentando mejoras; enfrentar problemas complejos y cambiantes, manejando escenarios dinámicos, con conflictos multiobjetivo y en exploración constante; abierto y sostenible, portando algoritmos, problemas, tiempo de ejecución y mecanismos de retroalimentación como capacidades públicas.
>
> Operación continua—verificación—preservación—reevolución. El sistema genera continuamente candidatos y los despliega en el entorno real, el entorno devuelve señales de evaluación, los candidatos efectivos y las mejoras se preservan y sedimentan, y cuando los objetivos y el entorno cambian, se continúa programando nueva exploración sobre la misma base.
>
> Conectar simulaciones de ingeniería de alto costo o tareas robóticas a EvoX, recibiendo continuamente señales de evaluación y preservando candidatos efectivos; los algoritmos, operadores, tiempo de ejecución y mecanismos de retroalimentación no necesitan reconstruirse desde cero, sino expandirse y mantenerse como una red de tuberías urbanas.

**Puntos clave de enseñanza**

- El foco de aprendizaje debe estar en las interfaces, la programación, el bucle cerrado de retroalimentación y los mecanismos de sedimentación de resultados, no solo en un tipo de algoritmo. Si falta cualquier paso, el sistema degenera en un solucionador de un solo uso, incapaz de acumular mejoras a largo plazo. Cuando el entorno o los objetivos cambian, primero verificar si el módulo de problema y el mecanismo de retroalimentación pueden reutilizarse, y luego decidir si cambiar el algoritmo, evitando reconstruir toda la tubería desde cero. Se puede usar un diagrama para enfatizar la relación cíclica entre el entorno real, la infraestructura abierta EvoX, la programación de algoritmos y tiempo de ejecución, y la sedimentación de mejoras a largo plazo.

> **Pistas de ejercicios**
>
> - Las preguntas de opción múltiple giran en torno al posicionamiento de infraestructura, el orden del bucle cerrado, la conexión con el mundo real, las ventajas de reutilización ante cambios ambientales, y las características de apertura y sostenibilidad. Al retroalimentar, captar: el mundo real cambia continuamente
> - El bucle cerrado comienza con la operación continua
> - Debe acceder a retroalimentación real, no solo hacer simulación
> - Ante cambios, continuar programando y reutilizando sobre la misma base
> - Las capacidades públicas deben ser expandibles, reutilizables y continuables. Simuladores y plataformas experimentales robóticas se conectan como entorno real, generando continuamente candidatos de estrategias de control, recolectando señales de evaluación como consumo energético, precisión, adaptabilidad, preservando mejoras efectivas, y entrando en una nueva ronda de evolución. Si el objetivo cambia a optimización multiobjetivo que equilibre precisión y consumo energético, entonces la capa de algoritmo se reemplaza por un algoritmo evolutivo multiobjetivo, el módulo de problema modifica la función objetivo y las restricciones, el mecanismo de retroalimentación expande los canales de evaluación, y la programación en tiempo de ejecución continúa operando sobre la misma base.

**Verificación de comprensión**

Pedir a los estudiantes que expliquen con sus propias palabras "por qué se necesita infraestructura en lugar de un solucionador", y que repitan los cuatro pasos del bucle cerrado. Si los estudiantes pueden decir que EvoX es la base, que el bucle cerrado puede acumular, y que ante cambios primero se reutiliza y luego se reemplaza el algoritmo, se puede pasar a la siguiente página.

<a id="lecture-page-16"></a>

### Resumen y Perspectivas: Hacia Formas de Inteligencia de Mayor Nivel

*Página 16*

> **Objetivo de la página:** Los estudiantes deben repasar el mecanismo global de la evolución de métodos, comprendiendo su importancia significativa para impulsar los sistemas inteligentes hacia la auto-evolución.

> **Objetivo de la página**
>
> Repasar el mecanismo global de la evolución de métodos, comprender cómo impulsa a los sistemas inteligentes a pasar de "resolver respuestas" a "mejorar métodos", y avanzar hacia formas de auto-evolución de mayor nivel.

**Puntos clave de enseñanza**

- Esta página puede captarse con un mantra — "espacio de soluciones → espacio de métodos". El criterio de juicio es: ¿el objeto actualmente iterado es la "solución" o el "método de generar soluciones"? En cuanto la respuesta sea lo segundo, se ha entrado en la evolución de métodos. La evolución interna busca soluciones al problema dado en el espacio de soluciones, llevando el método actual al límite, produciendo soluciones candidatas y resultados de evaluación
- La evolución externa mejora el método de resolución en el espacio de métodos utilizando la retroalimentación de tareas, y el objeto de búsqueda se convierte en algoritmos, operadores o estructuras. La dirección del bucle cerrado es: la retroalimentación de tareas va del nivel interno al externo, la actualización de métodos va del nivel externo al interno. Así, la calidad de las soluciones se convierte en señal de evaluación del nivel externo, y los métodos mejorados regresan al nivel interno, formando un bucle cerrado continuo del espacio de soluciones al espacio de métodos. Para que la evolución de métodos realmente se implemente, se necesita organizar la población, los resultados de evaluación y el estado del algoritmo en tensores computables integralmente, y sobre esta base programar capacidad computacional heterogénea. EvoX, mediante la computación con tensorización y la arquitectura de base unificada, desacopla "cómo evolucionar" de "cómo programar eficientemente", dotando a la evolución de métodos y la evolución continua a nivel de sistema de una base de implementación ingenieril, impulsando a los sistemas inteligentes de "resolver respuestas" a "mejorar métodos", e incluso a una auto-evolución de mayor nivel. MetaDE. MetaDE usa la evolución diferencial (DE) interna para resolver problemas, y la evolución externa para buscar la configuración o estructura del DE, haciendo que el "método de resolución mismo" participe en la iteración. No busca la solución de un problema concreto, sino el mecanismo que genera soluciones, siendo precisamente la manifestación intuitiva del salto del espacio de soluciones al espacio de métodos. La forma de inteligencia de mayor nivel no es obtener una solución óptima de una vez, sino la capacidad de generar continuamente métodos más fuertes y capacidades sistémicas más fuertes. La clave del siguiente paso está en hacer más estable y transferible el bucle cerrado interno-externo, y soportar el paradigma de investigación AI Native sobre bases como EvoX. Errores comunes: El nivel interno busca "la solución del problema dado", el nivel externo busca "algoritmos, operadores o estructuras". La dirección de la retroalimentación de tareas es interna→externa, la dirección de la actualización de métodos es externa→interna. No confundir la evolución de métodos con el ajuste ordinario de parámetros. Si el sistema solo busca mejores soluciones dentro de un espacio de soluciones fijo, sin cambiar el método de resolución mismo, no pertenece a la evolución de métodos. Cuando no se esté seguro de si un sistema pertenece a la evolución de métodos, ver si también busca el "método de generar soluciones". Si es así, está haciendo evolución de métodos
- De lo contrario, es solo ajuste ordinario de parámetros.

> **Pistas de ejercicios**
>
> - Hacer que el método de resolución mismo, como algoritmos, operadores, estructuras o estrategias, se convierta en objeto iterado y mejorado. Si se equivocan, distinguir "buscar mejores soluciones en el espacio de soluciones" de "hacer que el método mismo participe en la iteración". El nivel interno busca soluciones en el espacio de soluciones, el nivel externo mejora el método de resolución utilizando la retroalimentación de tareas, es decir, el espacio de métodos. La dirección de retroalimentación es interna→externa, la dirección de actualización es externa→interna. Proporcionar computación con tensorización y base unificada, para que la evolución de métodos y la evolución continua a nivel de sistema tengan base de implementación ingenieril
> - La clave es organizar población, evaluación y estado en tensores computables integralmente, y desacoplar "cómo evolucionar" de "cómo programar". Usar la evolución externa para buscar la configuración o estructura del DE, haciendo que el método de resolución mismo participe en la iteración, reflejando así el salto del espacio de soluciones al espacio de métodos. Debe describirse como generar continuamente métodos más fuertes y capacidades sistémicas más fuertes, no solo perseguir la solución óptima única. Cuando la respuesta es correcta, enfatizar que puede conectar los conceptos de esta página y explicar la base
> - Cuando la respuesta es incorrecta, volver a la explicación de la página, encontrar evidencia clave o ejemplos antes de juzgar. Construir un sistema de optimización "capaz de auto-mejorarse" para problemas de programación de producción. El nivel interno usa DE para buscar esquemas de programación, el nivel externo toma la retroalimentación de tareas como señal, buscando la configuración de operadores, parámetros y estructura del DE. El papel de la retroalimentación de tareas es traducir el rendimiento del espacio de soluciones en dirección de mejora del espacio de métodos: si la calidad de las soluciones mejora, preservar y reforzar la configuración actual del método
> - Si la calidad de las soluciones se estanca o degrada, explorar nuevas combinaciones de operadores o ajustes estructurales. Para evaluar si se avanza hacia una auto-evolución de mayor nivel, se pueden establecer tres tipos de indicadores: los indicadores del nivel del método observan si el método se mejora continuamente
> - Los indicadores de transferibilidad observan el rendimiento de adaptación en tareas no vistas
> - Los indicadores de autonomía observan si, con baja intervención humana, puede descubrir por sí mismo combinaciones efectivas de operadores o ajustes estructurales, y si el proceso es reproducible. Integrando los tres, si el método se fortalece continuamente, es transferible y puede auto-mejorarse con baja intervención, se puede determinar que el sistema está avanzando hacia una forma de auto-evolución de mayor nivel.

**Verificación de comprensión**

Pedir a los estudiantes que repitan con sus propias palabras el significado de "espacio de soluciones → espacio de métodos", y que elijan un sistema para juzgar si está haciendo evolución de métodos.

> **Sugerencia de transición**
>
> Tras confirmar que los estudiantes pueden explicar la división de trabajo interno-externo, la dirección del bucle cerrado y el significado de contraste de MetaDE, pasar a la siguiente página sobre ejemplos, aplicaciones o resumen.