El flujo de optimización clásico concentra toda la atención en el espacio de soluciones: se fija un conjunto de configuraciones de evolución diferencial (DE) —estrategia de mutación, tasa de cruce CR, factor de escala F, tamaño de población NP— y luego se itera repetidamente para aproximarse a la solución óptima del problema. Sin embargo, hay una pregunta que siempre queda sin resolver:¿quién eligió esa configuración?La respuesta de MetaDE es tratar también "el método que produce las soluciones candidatas" como objeto de evolución: añadir una capa externa de algoritmo evolutivo dedicada a buscar mejores configuraciones del algoritmo, formando así un ciclo cerrado de optimización de dos niveles que "mejora algoritmos evolutivos con algoritmos evolutivos".
Nivel interno y nivel externo: cómo se reparten las funciones
- Nivel interno: recibe un conjunto concreto de configuraciones de DE, ejecuta una resolución completa sobre la tarea real, genera soluciones candidatas y devuelve una evaluación de rendimiento comparable.
- Nivel externo: codifica las configuraciones, hiperparámetros o combinaciones de estrategias de DE como individuos, usa el rendimiento de la tarea como aptitud y actualiza la siguiente generación de configuraciones mediante un algoritmo evolutivo (selección, recombinación, mutación).
Cambio de objetivo: de "encontrar soluciones" a "encontrar métodos que sepan encontrar soluciones"
MetaDE no cambia la implementación del optimizador, sino el nivel del objetivo de la optimización. El resultado del DE tradicional es un vector de solución; el resultado de MetaDE es un conjunto de configuraciones del algoritmo capaz de producir de forma estable mejores soluciones en este tipo de tareas. Es decir, el objeto de búsqueda asciende de "la respuesta" a "la máquina que produce respuestas". Esto permite que el resultado de una búsqueda externa se transfiera y reutilice en otros casos de la misma familia.
Ciclo cerrado de retroalimentación y requisitos de ingeniería
Todo el sistema se articula mediante un ciclo cerrado: el nivel externo envía la configuración → el nivel interno ejecuta la resolución → se devuelve el rendimiento → el nivel externo actualiza con ello la siguiente generación de configuraciones. Hay que tener en cuenta que, para que un individuo del nivel externo obtenga su aptitud, debe pagar el coste de una ejecución completa del nivel interno (a menudo varias en paralelo), por lo que la gestión del coste de evaluación y la planificación en paralelo son el núcleo del diseño del sistema. Precisamente la capacidad de la GPU para ejecutar simultáneamente una gran cantidad de tareas del nivel interno es lo que hace viable en la práctica esta meta-optimización de "evaluación costosa".
Arquitectura de optimización de dos niveles de MetaDEEste diagrama de arquitectura se divide en dos niveles, interno y externo: el nivel externo codifica como individuos la estrategia de mutación, la tasa de cruce, el factor de escala y el tamaño de población de la evolución diferencial, y los actualiza con un algoritmo evolutivo; el nivel interno utiliza esa configuración para resolver por completo la tarea real y luego devuelve el rendimiento de la tarea como aptitud del nivel externo, formando un ciclo cerrado de optimización de evaluación costosa.
