MetaDE : architecture imbriquée d'algorithmes optimisant des algorithmes

Dans la leçon précédente, le système évolutionnaire accumulait progressivement ses capacités grâce à la boucle fermée « génération — évaluation — sélection — héritage ». Cette leçon pousse ce principe un cran plus loin : il ne s'agit plus seulement de faire résoudre des problèmes par un algorithme, mais de faire améliorer des algorithmes par un algorithme.MetaDE est précisément une telle architecture évolutionnaire imbriquée — elle décompose l'évolution différentielle (DE) en deux couches, interne et externe, faisant de « l'optimisation d'algorithmes par des algorithmes » un processus de calcul exécutable.

I. La répartition des rôles entre les deux couches : qui résout, qui évolue

MetaDE organise la DE en deux couches, interne et externe, dont les objets de travail sont totalement différents :

DE interne (couche de tâche): orientée vers une tâche d'optimisation réelle, elle maintient une population de solutions candidates, exécute de façon répétée mutation, croisement et sélection, et converge progressivement vers une bonne solution de la tâche. Elle répond à la question « comment se résout ce problème ».
DE externe (couche méta): orientée vers l'algorithme lui-même, chaque individu de la population n'est pas une solution de la tâche, mais un ensemble complet de « stratégie de mutation + paramètres », par exemple le type de mutation employé, les valeurs du facteur d'échelle et de la probabilité de croisement. Elle répond à la question « cette configuration d'algorithme est-elle efficace ».

La couche externe n'optimise donc pas directement les variables de la tâche : celles-ci sont toujours traitées par la couche interne ; la couche externe ne modifie que le « manuel de travail » de la couche interne.

II. La boucle d'interaction : transmission des configurations et retour des performances

Les deux couches sont couplées par un canal bidirectionnel formant une boucle fermée : la couche externe produit d'abord une configuration d'algorithme qu'elle transmet (→) à la couche interne ; celle-ci s'exécute sur la tâche selon cette configuration puis renvoie (→) ses performances à la couche externe ; sur cette base, la couche externe conserve et recombine les configurations les plus performantes, puis produit la configuration du cycle suivant. L'ensemble du processus peut se résumer ainsi : configuration externe → résolution interne → performance de la tâche → mise à jour externe, en boucle.

Cette boucle fermée confère une propriété essentielle : la stratégie de mutation et les paramètres de l'algorithme interne ne sont plus fixés définitivement par un réglage humain unique, mais sont constamment réécrits au fil de la recherche externe, offrant ainsi à l'algorithme un canal d'amélioration autonome.

III. La condition d'exécutabilité : parallélisme et compromis de coût

La structure imbriquée n'est pas sans coût. Chaque évaluation externe exige d'exécuter intégralement une configuration sur la tâche, ce qui amplifie nettement le coût d'évaluation ; plus la population externe est grande, plus le coût total est élevé. C'est précisément pourquoi MetaDE repose sur le parallélisme GPU : plusieurs configurations internes peuvent être évaluées simultanément, la durée d'une itération externe est fortement comprimée, et la méta-évolution imbriquée devient techniquement exécutable. Inversement, si les ressources parallèles disponibles sont insuffisantes, réduire la taille de la couche externe ou abaisser la précision d'évaluation interne est souvent plus réaliste que d'élargir aveuglément la recherche.

Idée fausse courante

Assimiler MetaDE à un « réglage manuel des paramètres » n'est pas exact. Le réglage manuel est un tâtonnement ponctuel effectué par l'humain en dehors de la boucle, tandis que MetaDE intègre la configuration elle-même dans la boucle évolutionnaire : les configurations sont générées, évaluées et recombinées de façon répétée, et l'objet de recherche est une combinaison « stratégie de mutation + paramètres », et non de simples valeurs numériques.

Architecture évolutionnaire imbriquée de MetaDE

Le schéma illustre la structure à deux couches de MetaDE : les individus de la population de la couche méta externe sont des ensembles complets de stratégies de mutation et de paramètres, chargés de faire évoluer les configurations d'algorithme ; la couche de tâche interne maintient une population de solutions candidates selon les configurations transmises par la couche externe et résout la tâche d'optimisation réelle. Les deux couches sont couplées par un canal bidirectionnel : la couche externe transmet les configurations, la couche interne renvoie les performances de la tâche, et la couche externe conserve et recombine sur cette base les meilleures configurations, formant une boucle fermée d'amélioration autonome de l'algorithme.

Question 1

Dans la structure imbriquée de MetaDE, quelle est la responsabilité directe de la DE interne ?

Itérer les solutions candidates sur une tâche d'optimisation concrète et fournir les performances de la tâche

Faire évoluer la stratégie de mutation et les paramètres utilisés par l'algorithme interne

Déterminer la taille de la population externe et le nombre d'unités parallèles disponibles

Évaluer la qualité du processus de recherche de la couche externe

Question 2

Que représente chaque individu de la population de la DE externe ?

Une fonction objectif fixe et invariante

Une configuration de stratégie de mutation et de paramètres de la DE interne

L'enregistrement du temps consommé par une évaluation de tâche interne

Une solution candidate de la tâche à résoudre

Question 3

Dans la boucle d'interaction entre les deux couches, quelle est l'information clé renvoyée par la couche interne à la couche externe ?

Le réglage de la probabilité de croisement de la population externe

Les valeurs initiales de la configuration de l'algorithme interne

Le retour de performance obtenu par la couche interne après exécution sur la tâche

L'occupation de la mémoire vidéo des unités parallèles

Question 4

Pourquoi le parallélisme GPU est-il particulièrement crucial pour la mise en œuvre industrielle de MetaDE ?

Parce que seuls les GPU peuvent exécuter la mutation et la sélection de l'évolution différentielle

Parce que l'évaluation imbriquée multiplie le coût de calcul et que le parallélisme permet de réduire le temps de recherche de la couche méta

Parce que le parallélisme garantit que la couche externe trouve la configuration optimale globale

Parce que le parallélisme permet de se dispenser de l'évaluation des configurations internes

Question 5

Quelle affirmation décrit avec précision la différence entre MetaDE et le « réglage manuel des paramètres » ou une recherche par grille ponctuelle ?

Les deux sont totalement équivalents, seule l'appellation diffère

MetaDE fait optimiser directement les variables de tâche par la couche externe, la couche interne se contentant d'enregistrer les résultats

MetaDE ne recherche que des paramètres numériques, sans toucher aux stratégies de mutation

MetaDE intègre les configurations d'algorithme dans la boucle évolutionnaire : elles sont continuellement générées, évaluées et recombinées

Cas pratique : faire évoluer le solveur interne avec MetaDE

Lisez le scénario et répondez aux deux questions ci-dessous.

Une équipe cherche des solutions de haute qualité pour une tâche d'optimisation de tournées logistiques. Elle ne définit plus manuellement la stratégie de mutation et les paramètres de l'évolution différentielle, mais adopte MetaDE : la DE externe maintient plusieurs configurations « stratégie de mutation + paramètres », la DE interne s'exécute sur la tâche selon la configuration qui lui est attribuée et renvoie la qualité des tournées ainsi que le temps de calcul. L'équipe ne dispose que d'un serveur GPU à 8 cartes, et le budget d'une évaluation complète est limité.

1. Indiquez, dans ce scénario, ce qui relève de l'espace de recherche externe et ce qui relève du processus de résolution interne ; expliquez ensuite l'intérêt de placer la stratégie de mutation dans l'évolution externe plutôt que de la fixer manuellement.

Réponse :
L'espace de recherche externe est « l'ensemble des configurations d'algorithme », c'est-à-dire le type de stratégie de mutation employé et les valeurs de paramètres associées (facteur d'échelle, probabilité de croisement), autour desquelles la couche externe effectue sélection et recombinaison. Le processus de résolution interne consiste à maintenir des solutions candidates sur la tâche fixe d'optimisation de tournées, à exécuter de façon répétée mutation, croisement et sélection, et à produire des performances de tâche telles que la qualité des solutions. L'intérêt de placer la stratégie de mutation dans l'évolution externe est que l'objet de recherche s'étend de « quelques valeurs numériques » à une « combinaison de stratégies et de paramètres ». Lorsque la structure de la tâche diffère, ou que la recherche se trouve à des stades différents (exploration en début de phase, convergence en fin de phase), la stratégie adéquate change elle-même ; confier cela à l'évolution externe permet d'opérer automatiquement ce changement de stratégie, évitant les résultats sous-optimaux et les tâtonnements répétés qu'entraîne la fixation manuelle d'une stratégie unique sur le long terme.

2. L'évaluation imbriquée augmente sensiblement le temps total. En combinant parallélisme GPU et maîtrise du budget d'évaluation, proposez des mesures concrètes pour rendre cette architecture opérationnelle, et expliquez les compromis qu'elles impliquent.

Réponse :
Mesures concrètes : (1) évaluation par lots en parallèle — répartir simultanément plusieurs configurations d'un lot externe sur plusieurs GPU pour exécuter la DE interne, faisant passer le temps réel d'une itération externe d'une « accumulation en série » à un « maximum en parallèle », ce qui comprime nettement la durée de recherche de la couche méta ; (2) évaluation par niveaux — la couche interne procède d'abord à une évaluation rapide avec une population plus petite ou moins d'itérations, puis seules les quelques configurations les plus performantes font l'objet d'une évaluation complète, formant un filtrage à deux niveaux du grossier au fin ; (3) limitation de l'espace de recherche — restreindre la taille de la population externe et le nombre d'itérations, et mettre en cache et réutiliser les configurations déjà évaluées pour éviter les calculs redondants. Compromis : plus l'évaluation interne est grossière, plus le retour de performance est bruité, et la couche externe risque de retenir une configuration « avantagée par hasard » ; plus le degré de parallélisme est élevé, plus les coûts de mémoire vidéo et d'ordonnancement augmentent, sachant que le parallélisme réduit le temps réel et non la quantité totale de calcul. Il faut donc trouver un équilibre entre précision d'évaluation interne, étendue de la recherche externe et budget matériel, plutôt que d'élargir aveuglément la recherche.