Évolution bi-niveau interne/externedécouple « la résolution de tâches concrètes » et « l'amélioration de la méthode de résolution » en deux boucles évolutives en interaction :boucle internevise la résolution des tâches et produit les performances d'exécution,boucle externefait évoluer la configuration et la stratégie de l'algorithme interne à partir de ces performances, formant ainsi un mécanisme d'amélioration algorithmique adaptatif. Il ne s'agit pas d'un simple enchaînement de deux algorithmes, mais de l'ajout d'un contrôle méta-niveau évolutif au-dessus de la couche de résolution de tâches, faisant passer le système de « l'algorithme défini manuellement » à « l'algorithme qui s'adapte automatiquement à la tâche ».
Répartition des rôles entre niveaux interne et externe
- Rôle du niveau interne: résoudre les tâches réelles et générer les solutions candidates, les valeurs objectif et les données de performance d'exécution. Il est chargé de « résoudre les problèmes ».
- Rôle du niveau externe: ne pas résoudre directement la tâche d'origine, mais faire évoluer la configuration, la stratégie et les paramètres de l'algorithme interne. Il est chargé d'« améliorer la méthode de résolution ».
- Boucle de rétroaction: les résultats d'évaluation des tâches internes sont agrégés en signal de fitness externe, servant à sélectionner, muter et mettre à jour des configurations internes plus performantes.
- Mécanisme adaptatif: la couche externe ajuste en continu la stratégie interne selon l'évolution des tâches et de l'environnement.
- Soutien par parallélisme: le GPU peut exécuter en parallèle un grand nombre de tâches internes, offrant à l'évolution externe un retour statistique plus riche et réduisant le coût d'attente de la recherche.
MetaDE : améliorer l'évolution par l'évolution
Prenons MetaDE comme exemple : la couche interne DE prend en charge les tâches d'optimisation concrètes, tandis que l'algorithme évolutif externe sélectionne et ajuste la configuration et la stratégie du DE en fonction des performances internes ; les résultats d'un grand nombre de tâches internes guident en retour la sélection de configuration externe, formant une boucle bi-niveau d'« améliorer l'évolution par l'évolution ».
Objectifs d'apprentissage
Maîtriser la relation de coopération entre résolution de tâches interne et optimisation de stratégie externe, comprendre que l'évolution de méthode ajoute un contrôle méta-niveau évolutif au-dessus du niveau interne, et savoir expliquer comment le parallélisme GPU fournit à la couche externe un retour statistique plus fiable.
Interaction de l'architecture d'évolution bi-niveau interne/externeLe schéma représente la répartition des rôles par deux cycles, interne et externe : le niveau interne résout les tâches réelles et produit solutions candidates et performances d'exécution, tandis que le niveau externe agrège ces performances en fitness, puis sélectionne, mute et met à jour la configuration et la stratégie de l'algorithme interne. Le GPU exécute en parallèle un grand nombre de tâches internes, offrant à la couche externe un retour statistique plus riche et formant une boucle bi-niveau d'« améliorer l'évolution par l'évolution ».
