Les pages précédentes ont présentéles algorithmes évolutionnairescomme un outil de résolution de problèmes : la population explore l'espace des solutions et la fitness mesure la qualité des solutions candidates. MetaDE pousse cette relation un cran plus loin : il considèrel'algorithme évolutionnaire lui-mêmecomme objet d'évolution, en utilisant une couche d'évolution externe pour rechercher « comment l'évolution différentielle interne doit fonctionner ». L'objectif d'optimisation passe ainsi de « trouver la solution d'un problème » à « améliorer la méthode de résolution ».
Structure à deux niveaux : évolution des configurations et résolution de tâches
- Niveau interne (espace des solutions): exécute l'évolution différentielle avec une stratégie de mutation et des paramètres clés donnés (facteur d'échelle, taux de croisement, taille de population, etc.) pour résoudre des fonctions de référence ou des tâches d'optimisation d'ingénierie, et produit la performance de la tâche comme fitness.
- Niveau externe (espace de configuration d'algorithme): chaque individu encode une configuration d'algorithme ; sa fitness n'est pas calculée par lui-même, mais déterminée par la performance renvoyée par le niveau interne après résolution de la tâche avec cette configuration. Sur cette base, le niveau externe effectue sélection, recombinaison et mutation, produisant un comportement d'algorithme mieux adapté à la tâche actuelle.
- Boucle fermée: génération de configuration → résolution de la tâche → retour de performance → mise à jour de configuration, quatre étapes qui se répètent en boucle, permettant à l'algorithme de s'améliorer de façon adaptative selon la tâche, au lieu de dépendre de paramètres fixés manuellement à l'avance.
Distinction clé : espace de configuration ≠ espace des solutions
Le niveau interne recherche « la réponse au problème », tandis que le niveau externe recherche « l'algorithme qui trouvera mieux la réponse ». Bien qu'ils soient couplés — la qualité du niveau externe ne peut être mesurée qu'en exécutant réellement le niveau interne — les objets de recherche, les modes d'encodage et les critères d'évaluation diffèrent. Saisir ce point, c'est tenir le squelette universel de la méta-optimisation :Faire de la recherche elle-même l'objet de la recherche.
