# Système d'évolution intelligente EvoX et pratique de la recherche scientifique AI Native — Support de cours

Durée : 1 · Pages du support : 16

## Navigation de lecture

- [Leçon 5｜Thème : Évolution des méthodes : de l'optimisation de la solution à l'algorithme d'optimisation lui-même](#lecture-lesson-1)

---

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

## Leçon 5｜Thème : Évolution des méthodes : de l'optimisation de la solution à l'algorithme d'optimisation lui-même

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

### Évolution des méthodes : de l'optimisation de la solution à l'algorithme d'optimisation lui-même

*Page 1*

> **Objectif de la page :** Explorer les mécanismes d'évolution des méthodes tels que MetaDE et AutoPSO, apprendre comment intégrer les méthodes de génération de candidats dans les objets d'optimisation, et réaliser l'auto-évolution des algorithmes.

> **Objectif de la page**
>
> Comprendre l'idée centrale de l'évolution des méthodes (Meta-Evolution), maîtriser l'architecture qui confie les stratégies de mutation et les hyperparamètres à l'optimisation par évolution externe, et réaliser le saut de l'algorithme depuis l'optimisation de la solution vers l'algorithme d'optimisation lui-même.

> **Ordre de présentation**
>
> Étant donné un problème, optimiser les solutions candidates.
>
> Les stratégies de mutation et les hyperparamètres des algorithmes (comme l'évolution différentielle DE, l'optimisation par essaim particulaire PSO) dépendent généralement de la conception manuelle ou du réglage empirique des paramètres.
>
> Considérer la configuration de l'algorithme (stratégie, paramètres) comme un individu de l'évolution externe, l'algorithme interne étant chargé de résoudre le problème original.
>
> L'évolution externe recherche automatiquement la meilleure combinaison de stratégies de mutation et d'hyperparamètres.
>
> 5. Résumer l'architecture d'optimisation bicouche et la signification de l'auto-évolution.

**Points clés de l'enseignement**

- L'objet d'optimisation passe de la « solution » à la « méthode/algorithme ». Optimisation bicouche. L'algorithme d'évolution externe optimise la configuration de l'optimiseur interne (comme la stratégie de mutation, le taux de croisement, le poids d'inertie, le facteur d'apprentissage, etc.)
- La fitness externe est la performance de l'interne sur le problème de validation (comme la valeur optimale moyenne, la vitesse de convergence). Sélectionner ou générer automatiquement des stratégies de mutation et régler les paramètres pour DE
- Configuration automatique des paramètres et de la topologie de PSO. Réduire le réglage manuel des paramètres, découvrir de nouvelles stratégies, améliorer la capacité de généralisation inter-problèmes
- L'optimisation imbriquée entraîne une augmentation significative des coûts de calcul.

**Vérification de la compréhension**

Demander aux étudiants de répondre — Dans l'évolution des méthodes, que représentent les individus de l'algorithme externe ? Quel rôle joue l'algorithme interne ? Comment la fitness est-elle définie ?

> **Indication de transition**
>
> Après avoir compris l'architecture bicouche, le contenu suivant peut détailler les détails d'implémentation et les résultats expérimentaux de MetaDE ou AutoPSO.

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

### Contexte central et motivation de l'évolution des méthodes

*Page 2*

> **Objectif de la page :** Les apprenants doivent comprendre les limites des présupposés manuels auxquels les méthodes d'optimisation traditionnelles sont confrontées lorsque la puissance de calcul s'accroît.

**Points clés de l'enseignement**

- La version en une phrase de l'évolution des méthodes est : <em>les solutions évoluent, et les méthodes qui produisent les solutions évoluent aussi</em>. Face à toute approche qui « ne fait que régler les paramètres sans changer le mécanisme », on peut utiliser ce critère pour juger si l'on reste au premier niveau ou si l'on est passé au second.
- Le réglage des hyperparamètres consiste généralement à effectuer une recherche hors ligne une fois avant l'exécution, puis à fixer une valeur choisie, ce qui reste essentiellement un présupposé manuel ; l'évolution des méthodes fait de la méthode elle-même un objet de recherche pendant l'exécution, en s'ajustant continuellement selon les retours. Le critère de jugement est : ce mécanisme de génération de candidats change-t-il pendant l'exécution ?
- Pouvez-vous expliquer clairement la différence entre les deux côtés ? Si vous ne pouvez dire que « le côté droit calcule plus vite et trouve mieux », cela signifie que vous n'avez pas saisi l'essentiel ; l'essentiel est que le côté droit a un niveau supplémentaire d'objets de recherche — la méthode elle-même entre dans le cycle d'être recherchée, évaluée et mise à jour.

【Objectif de la page】

Lorsque l'échelle de calcul ne constitue plus un goulot d'étranglement, ce qui limite réellement l'effet de l'évolution est que « la méthode de génération de solutions candidates elle-même reste prédéfinie manuellement et fixée à long terme ». Ce n'est qu'en comprenant cette lacune que l'on peut ensuite intégrer les mécanismes tels que les stratégies de mutation, le facteur d'échelle, le taux de croisement dans les objets d'évolution.

【Ordre de présentation】

Il est recommandé de suivre le fil « ouverture de la puissance de calcul → transfert du goulot d'étranglement → frontières de l'optimisation traditionnelle → montée en niveau du problème → analyse et préparation », pour finalement aboutir aux exercices en classe et aux études de cas.

【Points clés de l'enseignement】

1. Pourquoi le goulot d'étranglement se déplace. Sur la base de calcul moderne d'EvoX, la population, les résultats d'évaluation et l'état de l'algorithme peuvent être intégralement transférés vers des dispositifs d'accélération ou des clusters distribués, et des dizaines de milliers d'évaluations de candidats n'ont plus besoin d'être traitées en série une par une. Une fois ce niveau de puissance de calcul ouvert, la limitation restante porte sur le « mode de recherche » : la méthode de génération de solutions candidates reste prédéfinie par l'homme et inchangée pendant l'exécution.

2. Les frontières de l'optimisation traditionnelle. Les algorithmes d'optimisation traditionnels sont très doués pour trouver des solutions dans un espace de recherche donné — donnez-leur une stratégie de mutation, un ensemble de paramètres, une structure de voisinage, et ils génèrent, évaluent et sélectionnent répétitivement des solutions candidates. Mais attention, ce mécanisme de génération de candidats est une constante conçue de l'extérieur, que l'algorithme ne modifiera pas durant tout le processus d'exécution. En d'autres termes, seul « la solution » est recherchée, et « la façon de produire la solution » ne l'est pas. Cela entraîne deux conséquences : le système ne peut que répéter des schémas établis, difficilement s'adapter et s'étendre selon le problème, l'environnement et les retours ; bien que l'algorithme puisse chercher des solutions, il ne participe pas lui-même à l'amélioration du processus de recherche.

Le problème monte d'un niveau. L'évolution des méthodes transforme « comment générer des solutions candidates » d'un choix de conception externe en un objet pouvant être recherché et évolué. Prenons l'évolution différentielle comme exemple : les stratégies de mutation, le facteur d'échelle F, le taux de croisement CR, ces paramètres originellement fixés manuellement, peuvent tous entrer dans la boucle d'évolution et être continuellement ajustés selon les retours. Ainsi le système recherche simultanément à deux niveaux : « la solution » et « la façon de produire la solution ». Lorsque la forme du problème change, que l'environnement dérive ou que les signaux de retour varient, le niveau de la méthode peut également être réécrit, au lieu de laisser une stratégie heuristique fixe affronter toutes les situations.

4. Indication d'analyse. L'évolution des méthodes n'équivaut pas à « changer pour un meilleur algorithme ». Changer d'algorithme reste un choix manuel ponctuel, fixé une fois sélectionné ; l'évolution des méthodes met l'accent sur le fait que ce mécanisme de génération de candidats est lui-même dans un état d'être recherché et continuellement ajusté. Le critère de jugement peut se résumer en une phrase : ce mécanisme de génération de candidats change-t-il pendant l'exécution.

5. Pourquoi cette motivation est la fondation du contenu ultérieur. Elle trace la ligne de démarcation entre EvoX et les optimiseurs ordinaires — comment la frontière des objets d'évolution continue de s'étendre vers l'extérieur, comment l'algorithme lui-même est amélioré, comment le système progresse vers la cascade et l'évolution continue, tout cela repose sur cette « montée en niveau ». On peut dire que la base de calcul résout « peut-on calculer à grande échelle », et l'évolution des méthodes résout « peut-on, tout en calculant à grande échelle, faire progresser ensemble le mode de recherche ».

【Ancrage mémoriel】

Les solutions évoluent, et les méthodes qui produisent les solutions évoluent aussi. Face à toute approche qui « ne fait que régler les paramètres sans changer le mécanisme », on peut utiliser ce critère pour juger si l'on reste au premier niveau ou si l'on est passé au second.

【Traitement des exercices】

Cette page comporte cinq questions à choix multiples, qui peuvent être traitées de manière concentrée après la présentation, en indiquant le critère de jugement pour chaque question :

Concernant les limites fondamentales de l'optimisation traditionnelle, la bonne réponse est « chercher des solutions uniquement dans l'espace de recherche établi, le mécanisme de génération de candidats étant prédéfini manuellement et non amélioré ». Si les étudiants choisissent « calcule lentement » ou « ne peut pas être parallélisé », rappelez-leur qu'il s'agit de problèmes au niveau de la base de calcul, alors que cette page traite de la question de savoir si le mode de recherche peut être amélioré.

Concernant la raison pour laquelle le goulot d'étranglement devient saillant après l'ouverture de la puissance de calcul, la clé est que « la méthode fixe ne peut que répéter des schémas établis, difficilement s'adapter et s'étendre selon le problème, l'environnement et les retours ». La tensorisation et le Runtime sont précisément conçus pour le calcul efficace en lots, donc le goulot d'étranglement n'est pas « peut-on calculer », mais « le mode de recherche peut-il changer ».

Concernant « le problème monte d'un niveau », il faut souligner que l'objet de recherche s'étend de « la solution » à « la méthode de génération de solutions », et non un changement de matériel ou une réécriture de la forme du problème.

Concernant les objets évolués dans l'évolution différentielle, la réponse est la stratégie de mutation, le facteur d'échelle F et le taux de croisement CR ; la valeur optimale est le résultat recherché, le matériel et les données sont des conditions externes.

Concernant la base que cette page de motivation fournit pour le contenu ultérieur, elle repose sur « l'extension de la frontière des objets d'évolution, l'amélioration de l'algorithme lui-même et l'évolution continue au niveau du système ».

【Étude de cas】

L'équipe a fixé hors ligne la stratégie de mutation, F=0,5, CR=0,9 après des essais, puis ne les a plus modifiés pendant longtemps ; six mois plus tard, la ville a ajouté de nouvelles zones à restrictions, la structure des commandes est passée de « petits lots, nombreux points » à « grands lots, peu de points », la qualité des solutions n'a cessé de se dégrader, et chaque ajustement de paramètres nécessitait de refaire les essais hors ligne, avec un cycle de réponse de l'ordre de la semaine.

Le problème est qu'ils ne recherchent qu'au niveau des « chemins candidats », le mécanisme de « comment générer les chemins candidats » étant prédéfini manuellement et fixé à long terme, ce qui est précisément la frontière de l'optimisation traditionnelle. Si l'on introduit l'évolution des méthodes, ce qui entre dans l'espace de recherche est la sélection de stratégies de mutation, F, CR, ainsi que les combinaisons de paramètres associées et les règles de planification de stratégies, qui passent toutes de constantes à des objets pouvant être continuellement ajustés par les résultats d'évaluation en retour.

Cette équipe peut déjà effectuer un million d'évaluations de candidats par jour sur des dispositifs d'accélération, ce qui montre que le goulot d'étranglement « ne peut pas calculer » est essentiellement ouvert, et la lacune restante est précisément « le mode de recherche fixé ». Après avoir intégré le niveau de la méthode dans l'évolution, le coût supplémentaire de recherche de méthodes peut partager la même capacité de parallélisation par lots que la recherche de solutions, avec un coût marginal contrôlable. Une approche raisonnable consiste à traiter les stratégies de mutation et F, CR comme des états évolutifs attachés au tenseur de population, entrant avec les autres états dans le graphe de calcul par lots ; les résultats d'évaluation sont renvoyés comme signaux de retour au niveau de la méthode, mettant à jour les distributions de stratégies et de paramètres à un rythme déterminé ; en parallèle, conserver la configuration de référence hors ligne comme contrôle, évaluant le gain net par la qualité des solutions et le délai de mise en production sous le même budget de calcul.

【Vérification de la compréhension】

Demander aux étudiants d'expliquer clairement la différence entre l'optimisation monocouche traditionnelle et l'évolution des méthodes. S'ils ne peuvent dire que « le côté droit calcule plus vite et trouve mieux », cela signifie qu'ils n'ont pas saisi l'essentiel ; l'essentiel est que le côté droit a un niveau supplémentaire d'objets de recherche — la méthode elle-même entre dans le cycle d'être recherchée, évaluée et mise à jour.

【Indication de transition】

Ensuite, cette « montée en niveau » sera concrétisée en mécanismes spécifiques, pour voir comment l'algorithme lui-même peut être amélioré.

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

### Évolution technique et origines historiques des systèmes intelligents

*Page 3*

> **Objectif de la page :** Les apprenants doivent maîtriser la position du calcul évolutionnaire dans la convergence de multiples courants techniques.

> **Objectif de la page**
>
> Ramener l'histoire technique des systèmes intelligents d'une lecture erronée d'« évolution linéaire », permettre aux apprenants de maîtriser la position du calcul évolutionnaire dans la convergence de quatre courants, et comprendre ainsi l'orientation architecturale d'EvoX — traiter « l'évolution continue » comme une capacité système exécutable, et non comme une astuce au niveau de l'algorithme.

**Points clés de l'enseignement**

- 一、Quatre courants, quatre façons de poser les questions. Lire l'histoire technique comme une ligne droite conduit à de graves erreurs de jugement sur les systèmes intelligents d'aujourd'hui. Le symbolisme s'intéresse aux « règles et symboles », caractérisant l'intelligence par la représentation explicite des connaissances et le raisonnement logique, plaçant « expliquer clairement » avant « calculer », au prix d'une difficulté à gérer la réalité floue, de haute dimension et bruitée
- Le connexionnisme s'intéresse aux « données et représentations », utilisant les réseaux de neurones et les représentations distribuées pour l'apprentissage de paramètres, excellent pour ajuster des mappings complexes, mais nécessitant généralement un objectif et des étiquettes explicitement spécifiés
- La cybernétique s'intéresse au « retour et à la boucle fermée », comprenant l'intelligence comme un processus de régulation continue entre le système et l'environnement, elle fournit le mécanisme de « correction continue », mais laisse « quoi explorer » à la stratégie de recherche
- Le calcul évolutionnaire s'intéresse à la « population, mutation, sélection », portant la diversité par la population, produisant le changement par la mutation et la recombinaison, préservant les structures efficaces par l'évaluation et la sélection, il ne répond pas à « quelle est la bonne réponse », mais à « comment s'améliorer continuellement dans un espace ouvert ». Face à tout récit d'histoire technique, localisez d'abord à quel courant il appartient à l'aide de ces quatre mots-clés, le jugement sera beaucoup plus rapide. 二、La convergence n'est pas un remplacement. Les trois routes classiques fournissent les capacités de représentation, génération et ajustement, le calcul évolutionnaire fournit les mécanismes de recherche ouverte, d'adaptation et d'amélioration continue
- Les deux se superposent, couvrant précisément les deux niveaux différents de problèmes que sont « savoir comment calculer » et « savoir où aller ». Par conséquent, toute affirmation selon laquelle « une école aurait été éliminée » s'écarte du jugement de cette page : la convergence est une superposition coordonnée de mécanismes de différents niveaux dans un même système, et non la domination d'une école sur les autres. On peut s'appuyer sur le diagramme « quatre courants → un point de convergence » de la page, suivant les flèches depuis les quatre cases de gauche pointant successivement vers le point de convergence central, puis vers la droite vers le « système intelligent », et enfin vers le bas vers le « point d'accès EvoX : calcul évolutionnaire × GPU × grands modèles ». L'intelligence peut être livrée comme un « produit prédéfini » — définir d'abord les étiquettes et l'unique sortie optimale, faire approcher le modèle de celle-ci
- Elle peut aussi être cultivée comme un « processus environnemental » — définir seulement l'espace de recherche et les critères d'évaluation, la population découvrant elle-même les solutions utilisables par itération. EvoX choisit cette dernière option. Pour juger à quelle catégorie appartient un nouveau système, il suffit de demander : son objectif est-il prédéfini de manière fixe par l'homme, ou filtré par l'environnement dans une évaluation continue ? 四、Positionnement architectural d'EvoX. EvoX se tient au point de convergence, prenant le calcul évolutionnaire comme source technique directe, combiné avec les bases d'ingénierie contemporaines que sont le GPU et les grands modèles, rendant l'évolution continue exécutable en ingénierie. Cette page ne fait que préparer les sources et le positionnement, les détails comme la base tensorisée, l'évolution des méthodes, MetaDE étant réservés aux pages suivantes.

**Couverture des mots-clés**

- Symbolisme, connexionnisme, cybernétique, calcul évolutionnaire, point de convergence, produit prédéfini, processus environnemental, point d'accès EvoX.

**Traitement des exercices**

Cinq questions à choix multiples à poser immédiatement après la présentation, en mettant l'accent sur la justification plutôt que la simple réponse. Question 1, la réponse est le symbolisme, si les étudiants se trompent, indiquez « quelle route a pour mots-clés règles, symboles, logique, plutôt que données, retour ou population ». Question 2, la formulation correcte est que la population produit le changement, l'évaluation et la sélection préservent les structures efficaces, sans présupposer une solution optimale unique ; la différence clé est « qui décide de la réponse ». Question 3, la réponse est de faire passer l'évolution continue d'une astuce algorithmique à une capacité système exécutable, on peut rappeler que « positionnement architectural » signifie ne remplacer aucune école, mais faire en sorte que le mécanisme d'évolution fonctionne réellement et perdure. Question 4, ce qui correspond à la vision environnementale-processuelle de l'intelligence est « définir seulement l'espace de recherche et les critères d'évaluation, la population découvrant elle-même les solutions utilisables par itération ».

Question 5, le jugement précis est que les routes classiques fournissent la représentation, la génération et l'ajustement, le calcul évolutionnaire fournit la recherche ouverte, l'adaptation et l'amélioration continue. La cause commune des erreurs est souvent de lire « convergence » comme « remplacement », ou de prendre à tort le calcul évolutionnaire pour une méthode supervisée nécessitant des étiquettes, il faut revenir à la présentation de cette page pour se repositionner.

Système de dispatch de livraison urbaine instantanée, solution A (apprentissage supervisé approchant les décisions optimales historiques annotées par des experts) et solution B (définir seulement l'espace de recherche et les critères d'évaluation multi-indicateurs, la population recherchant par itération, avec évaluation parallèle par GPU). Première question comparant les deux visions de l'intelligence : la différence essentielle ne réside pas dans la complexité algorithmique, mais dans le fait que la réponse est donnée à l'avance par l'homme ou filtrée par l'environnement dans une évaluation continue ; EvoX est plus proche de la solution B. Deuxième question sur les risques à long terme des critères d'évaluation et les contre-mesures : les réponses possibles incluent une conception inappropriée des indicateurs conduisant à optimiser précisément le mauvais objectif, la fixation des standards entraînant une baisse de diversité de la population et une stagnation de la recherche, les indicateurs étant satisfaits de manière opportuniste produisant des solutions inacceptables sur le plan métier ;

Les mesures correspondantes incluent la pondération multi-objectifs ou le front de Pareto avec recalibrage périodique des poids, l'introduction du maintien de la diversité et de la réinitialisation périodique, l'établissement de contraintes dures et de vérifications de sécurité pour les solutions candidates, et la boucle fermée rétroalimentant la performance réelle des solutions adoptées comme critères d'évaluation.

**Vérification de la compréhension**

Demander à un étudiant d'expliquer avec ses propres mots quel problème résout chacun des quatre courants, puis de reformuler la différence entre « produit prédéfini » et « processus environnemental » ; l'enseignant complète les mots-clés manquants selon la réponse, en particulier « évaluation et sélection » et « ne pas présupposer de solution optimale unique ».

> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent exprimer la relation entre les quatre courants et le point de convergence, passer à la page suivante sur le développement spécifique de l'évolution des méthodes et de la base tensorisée.

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

### Extension des frontières de l'évolution par les grands modèles et la puissance de calcul

*Page 4*

> **Objectif de la page :** Les apprenants doivent comprendre comment le parallélisme GPU et les grands modèles élargissent conjointement l'espace de génération et d'exploration des candidats.

> **Objectif de la page**
>
> Comprendre comment la puissance de calcul parallèle GPU et la génération sémantique des grands modèles constituent ensemble la double base d'ingénierie du calcul évolutionnaire, et étendent la frontière des candidats des paramètres numériques aux programmes, structures de modèles et mécanismes algorithmiques.

> **Ordre de présentation**
>
> Poser d'abord deux questions générales — la puissance de calcul détermine « combien de candidats on peut explorer à la fois », les grands modèles déterminent « quelle forme de candidats on peut explorer » ; puis expliquer les deux bases séparément, et enfin la relation de complémentarité, l'extension en trois niveaux et les coûts.

**Points clés de l'enseignement**

- L'évaluation traditionnelle de population est une boucle série sur CPU, les coûts d'ordonnancement s'accumulant avec l'échelle. L'évaluation par lots tensorisée organise les candidats, les résultats d'évaluation et l'état de l'algorithme en tenseurs calculables intégralement, faisant de l'exploration simultanée de dizaines de milliers de candidats une pratique courante. Elle résout le débit, ne juge pas la qualité des candidats, c'est le support fondamental de l'expansion de l'espace des candidats. La valeur des grands modèles ne réside pas dans un calcul plus rapide, mais dans la compréhension du code, des connaissances du domaine et du contexte de la tâche, capable de générer des candidats à structure complexe comme des fragments de code, des topologies de modèles substituts, ouvrant ainsi l'espace de formes des candidats. Paramètres numériques → programmes/structures de modèles → mécanismes algorithmiques. Les deux premiers niveaux sont propulsés par la capacité de génération des grands modèles, le troisième niveau intègre le processus même de « comment générer, comment évaluer » dans les objets d'évolution, c'est la prémisse de l'existence des routes « améliorer l'évolution par l'évolution » comme MetaDE, AutoPSO. La puissance de calcul élargit l'ampleur de la recherche, les grands modèles améliorent la qualité et la complexité formelle des candidats
- En l'absence de l'un ou de l'autre, l'extension de la frontière est incomplète. L'augmentation des coûts d'évaluation, la difficulté accrue de vérification de la correction, le critère de « réponse utilisable » plus flou, nécessitent une articulation avec la pondération multi-objectifs, la décision d'experts et autres étapes. Dans l'optimisation de profil aérodynamique, l'objet de recherche passe des paramètres numériques prédéfinis au code de résolution, à la structure du modèle substitut, et même au schéma de génération et d'évaluation lui-même
- En parallèle, il faut ajouter la gestion du budget d'évaluation, la vérification syntaxique/interface/contraintes, les mécanismes de repli en cas d'échec et les interfaces de décision d'experts. Prendre les grands modèles pour un calculateur de fitness plus rapide, ou croire que la puissance de calcul suffit pour rechercher automatiquement des candidats au niveau du programme. Le premier point perd l'espace de formes, le second ignore d'où viennent les candidats.

**Traitement des exercices**

Cinq questions à choix multiples permettent de vérifier successivement le rôle de la puissance de calcul, la capacité des grands modèles, l'ordre d'extension en trois niveaux, la relation de complémentarité et les capacités d'accompagnement. Question 1, la réponse est « calcul par lots tensorisé » ; Question 2, la réponse est « compréhension du code, des connaissances du domaine et du contexte » ; Question 3, la réponse est « paramètres numériques → programmes/structures de modèles → mécanismes algorithmiques » ; Question 4, la réponse est « complémentaires, aucun ne peut manquer » ; Question 5, la réponse est « contrôle des coûts d'évaluation, vérification de la correction et critères de jugement des réponses utilisables ». Si les étudiants se trompent, rappelez-leur de distinguer « calculer beaucoup » et « calculer juste », ainsi que « forme de génération » et « débit d'évaluation » qui ne sont pas la même chose.

**Vérification de la compréhension**

Demander aux étudiants de répondre en une phrase à chacune des deux questions — qu'est-ce qui détermine combien de candidats on peut explorer à la fois, qu'est-ce qui détermine quelle forme de candidats on peut explorer ; puis donner un exemple de montée en niveau de l'optimisation de paramètres vers le mécanisme algorithmique.

> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent expliquer clairement la complémentarité entre la puissance de calcul et les modèles, passer à la section suivante sur les mécanismes spécifiques de l'évolution des méthodes.

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

### Conflits multidimensionnels et compromis dans les problèmes du monde réel

*Page 5*

> **Objectif de la page :** Les apprenants doivent comprendre la nécessité des conflits multi-objectifs et de la préservation des candidats différenciés dans les tâches de recherche scientifiques réelles.

**Points clés de l'enseignement**

- Les points sur le front de Pareto ne se dominent pas mutuellement, ils sont seulement « plus appropriés sous une certaine préférence ». Face à un graphique de front, demandez d'abord quelles sont les préférences et les contraintes, avant de discuter si un schéma est bon ou non.
- Si la population s'effondre rapidement vers une zone étroite, vérifiez d'abord si la pression de sélection et le mécanisme de maintien de la diversité sont déséquilibrés. Une fois la couverture réduite, vous n'avez plus d'alternatives commutables lorsque les contraintes changent.
- Lorsque l'évaluation réelle est coûteuse et le signal clairsemé, il est préférable d'allouer le budget aux candidats à forte incertitude et susceptibles d'étendre la couverture de l'espace de compromis, plutôt que de raffiner répétitivement autour de la solution optimale actuelle.

> **Objectif de la page**
>
> Comprendre la nécessité des conflits multi-objectifs, du compromis de Pareto et de la préservation des candidats différenciés dans la recherche scientifique et l'optimisation d'ingénierie réelles.
>
> Ordre de présentation et points clés :
>
> 1. Commencer par le caractère conflictuel. Les tâches réelles ont rarement un objectif unique et des contraintes claires, elles ont souvent plusieurs objectifs qui se contrarient mutuellement. Par exemple, la réduction du temps de charge rapide entraîne une production de chaleur et une perte de durée de vie, l'augmentation de la portance s'accompagne souvent d'une augmentation de la traînée, l'amincissement du profil améliore l'aérodynamique mais affaiblit la résistance structurelle. Il n'existe donc pas d'optimum gratuit, ce qu'on appelle l'optimum doit préciser « sous quelle préférence il est optimal ».
>
> 2. Comprendre la solution comme un ensemble de solutions de compromis. L'ensemble des solutions d'un problème multi-objectifs est le front de Pareto. Chaque point du front est une solution non dominée, représentant une orientation de préférence raisonnable ; sans détériorer les autres objectifs, aucun objectif ne peut être davantage amélioré. Il n'y a pas de classement absolu entre les points, seulement « plus approprié sous une certaine préférence ». Une solution dominée est celle pour laquelle il existe un schéma pouvant l'améliorer globalement.
>
> 3. L'exploration prime sur la convergence. Une convergence prématurée vers un point unique comprime l'espace des schémas en un point, perdant l'information structurelle ; une fois les contraintes, coûts ou risques modifiés, il n'y a plus d'alternatives commutables, il faut recommencer la recherche. Il faut maintenir la diversité de la population, permettre aux différentes directions de préférence d'être simultanément échantillonnées et évaluées, éviter que tous les individus s'effondrent dans une zone étroite du front. La valeur de la différenciation réside dans la réponse au changement.
>
> 4. La base de calcul soutient le déploiement multi-directionnel. EvoX organise les candidats, les résultats d'évaluation et l'état de l'algorithme en tenseurs calculables intégralement, faisant entrer la mutation, l'évaluation et la mise à jour d'état dans le graphe de calcul pour l'optimisation de compilation ; le planificateur Runtime distribue les calculs par lots vers le GPU, les dispositifs d'accélération ou les clusters distribués. L'évaluation par lots à haut débit rend le maintien d'une grande population et la couverture de tout le front réalisables en ingénierie.
>
> 5. Lorsque l'évaluation est coûteuse et le retour clairsemé, la stratégie d'allocation du budget doit changer. Les évaluations réelles proviennent souvent de simulations, de bancs d'essai ou de prototypes, avec un coût unitaire élevé et un signal clairsemé. Il faut utiliser des modèles substituts pour remplacer une partie des évaluations haute fidélité, allouer le budget limité aux candidats à forte incertitude et susceptibles d'étendre la couverture de l'espace de compromis, plutôt que de raffiner répétitivement autour de la solution optimale actuelle.
>
> 6. Attribution du pouvoir de décision. L'algorithme est chargé de déployer l'espace de compromis et de fournir un ensemble de candidats comparables ; les experts humains rendent la décision finale selon les préférences de scénario, les réglementations et les contraintes commerciales. Les deux sont complémentaires et ne peuvent se substituer l'un à l'autre. En ingénierie, livrer un ensemble de solutions de Pareto avec une description « préférence—schéma » correspondante est plus fiable que de livrer un point unique apparemment précis.

> **Pistes de matériel**
>
> - Le schéma du front de Pareto utilise « portance ↑ / traînée ↓ » comme coordonnées, marquant le front constitué de solutions non dominées, les solutions dominées, l'effondrement de la diversité dû à la convergence prématurée, et l'échantillonnage parallèle selon différentes directions de préférence. Lors de la présentation, on peut d'abord demander aux étudiants de juger quels points du graphique peuvent se trouver sur le front, puis expliquer que le décideur doit choisir un point selon les contraintes du scénario.

**Traitement des exercices**

Q1 la bonne réponse est « le front est constitué d'un ensemble de solutions de compromis mutuellement non dominées, chaque point correspondant à une orientation de préférence raisonnable ». On peut demander : si un point peut encore être globalement amélioré, il n'est pas sur le front. Q2 la bonne réponse est « la convergence prématurée fait perdre l'information structurelle de l'espace des schémas, empêchant de commuter rapidement vers une alternative lorsque les contraintes ou préférences changent ». Souligner qu'il s'agit d'un problème d'information, pas simplement de puissance de calcul. Q3 la bonne réponse est « couvrir un espace de compromis plus large avec un budget d'évaluation limité, et utiliser des modèles substituts pour remplacer une partie des évaluations haute fidélité ». Q4 la bonne réponse est « l'algorithme déploie l'espace de compromis et fournit un ensemble de candidats, les experts humains décident en dernier ressort selon les préférences et contraintes ». Q5 la bonne réponse est « l'augmentation de la portance s'accompagne généralement d'une augmentation de la traînée, l'amincissement du profil favorise l'aérodynamique mais affaiblit la structure, nécessitant un compromis ».

Conflit d'objectifs, la charge rapide produit de la chaleur et accélère la dégradation de la durée de vie ; les préférences changent, différents modèles de véhicules, systèmes de batteries, puissances de bornes de charge rapide et politiques de garantie modifient les poids du temps de charge et de la durée de vie ; l'évaluation réelle est coûteuse et clairsemée, livrer un ensemble de solutions couvrant le front permet de réutiliser le budget d'évaluation. Processus opérationnel : effectuer d'abord un petit nombre d'évaluations haute fidélité et de calibrations de paramètres, construire des stratégies de base et des échantillons perturbés ; entraîner et valider le modèle substitut ; activer dans EvoX le maintien de la diversité et l'échantillonnage multi-directionnel, allouer les évaluations supplémentaires vers les zones clairsemées et à forte incertitude selon la couverture du front ; produire le groupe de stratégies candidates et la table de correspondance préférence—schéma ;

La décision finale est prise par les ingénieurs véhicule et batterie selon l'autonomie, la puissance de charge rapide, la garantie, les réglementations de sécurité et les coûts, avec un léger raffinement local.

**Vérification de la compréhension**

Demander aux étudiants d'expliquer avec leurs propres mots « pourquoi l'optimisation multi-objectifs livre un ensemble de solutions plutôt qu'un point », et de donner un exemple illustrant la valeur de cet ensemble lorsque les préférences changent. Si les étudiants ne retiennent que « le conflit d'objectifs », on peut leur suggérer d'ajouter « front de Pareto », « la diversité c'est de l'information » et « le budget d'évaluation alloué à la couverture des frontières ».

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

### Idée centrale et franchissement de l'évolution des méthodes

*Page 6*

> **Objectif de la page :** Les apprenants doivent comprendre la percée théorique consistant à intégrer les méthodes de génération de candidats dans les objets d'évolution.

**Points clés de l'enseignement**

- Le critère de jugement de l'évolution des méthodes est simple : les variables d'optimisation incluent-elles la méthode, l'opérateur ou la stratégie de génération de candidats. Si seule la solution change, c'est encore de l'optimisation traditionnelle ; si le niveau de la méthode reçoit aussi des retours et se met à jour, c'est de l'évolution des méthodes.
- Le niveau de la solution répond à « ce candidat est-il bon », le niveau de la méthode répond à « comment produire de meilleurs candidats ». Les deux niveaux sont connectés par les signaux d'évaluation, ne confondez pas la mise à jour du niveau de la méthode avec un ajustement fin d'une solution individuelle.
- L'évolution des méthodes ne recherche pas l'optimum ponctuel, mais la généralisation inter-tâches, la robustesse, la diversité et le coût de calcul. Pour vérifier votre compréhension, utilisez « un solveur qui sait mieux trouver des solutions » comme test.

> **Objectif de la page**
>
> Faire de « la méthode de génération de solutions candidates » elle-même un objet d'optimisation, transformant l'algorithme d'un outil fixe en un solveur en évolution continue.
>
> Ordre de présentation et points clés :
>
> 1. Localiser d'abord le point de franchissement. Le chemin traditionnel est « problème → algorithme fixe → solutions candidates », l'algorithme étant présélectionné par le chercheur, inchangé pendant la recherche, l'objet d'optimisation étant la solution x. L'évolution des méthodes réécrit le chemin en « famille de problèmes/environnement → espace de méthodes évolutives → générateur de candidats → évaluation des solutions candidates → mise à jour des méthodes → régénération », les variables d'optimisation s'étendant aux méthodes, opérateurs, règles hyper-heuristiques ou processus de génération de candidats m. Ici, « méthode » peut se concrétiser en stratégies de mutation de l'évolution différentielle, poids d'inertie et topologie de l'essaim particulaire, opérateurs de recherche locale, ou remonter au niveau de la sélection et de la planification d'algorithmes.
>
> L'objet d'évolution s'étend des solutions, paramètres, structures aux méthodes, opérateurs, règles hyper-heuristiques ou processus de génération de candidats ; le problème est reformulé comme « faire évoluer dans une tâche ou un environnement un solveur qui sait mieux trouver des solutions » ; la méthode produit des candidats et reçoit l'évaluation de la tâche, l'évaluation pilote la mutation, la sélection et la recombinaison de la méthode, formant un retour continu entre le niveau de la méthode et le niveau de la solution ; les critères d'évaluation passent de l'optimum ponctuel à la généralisation, la robustesse, la diversité et le coût de calcul inter-tâches et inter-environnements ; le rôle du chercheur se transforme en conception de l'espace de méthodes évolutives, des signaux de retour et des mécanismes de sélection.
>
> 3. Expliquer en détail la boucle de retour fermée. Le niveau de la méthode génère des générateurs de candidats, le niveau de la solution les utilise pour produire des candidats sur des tâches spécifiques et obtenir des évaluations ; les évaluations sont agrégées ou attribuées par crédit au niveau de la méthode, pilotant la mutation, la sélection et la recombinaison de la méthode elle-même. Si le retour est trop clairsemé ou ne récompense que l'optimum à court terme, le niveau de la méthode risque de sur-apprendre une seule tâche ; si le retour inclut la généralisation inter-tâches et la diversité, il peut apprendre une méta-stratégie qui « sait mieux trouver des solutions ». On peut comprendre cela comme l'ouverture d'une couche supplémentaire de recherche évolutive sur l'espace des méthodes, mais son évaluation ne peut se passer de la performance réelle du niveau de la solution.
>
> MetaDE fait des stratégies, paramètres et même combinaisons d'opérateurs de l'évolution différentielle des objets évolutifs ; AutoPSO intègre la structure, les paramètres ou la topologie de l'essaim particulaire dans la recherche automatique. Les deux partagent le même point de départ : intégrer les méthodes de génération de candidats dans les objets d'optimisation, réaliser l'auto-évolution de l'algorithme. Cette page établit d'abord le concept unifié, les architectures spécifiques et l'évolution des structures algorithmiques seront développées ensuite.
>
> Si la méthode reste fixe, le système cherche encore des solutions sous un algorithme donné ; ce n'est que lorsque le niveau de la méthode reçoit aussi des retours et se met à jour qu'on entre dans l'évolution des méthodes. Le niveau de la solution répond à « ce candidat est-il bon », le niveau de la méthode répond à « comment produire de meilleurs candidats ». Les deux niveaux sont connectés par les signaux d'évaluation, ne confondez pas la mise à jour du niveau de la méthode avec un ajustement fin d'une solution individuelle.

> **Pistes de matériel**
>
> - On peut s'appuyer sur le schéma de structure conceptuelle de la page — à gauche la chaîne traditionnelle à voie unique, à droite la boucle fermée de l'évolution des méthodes, au centre « franchissement : la méthode devient objet d'optimisation » soulignant la différence
> - En bas, annotation de MetaDE / AutoPSO comme directions d'implémentation. Pistes d'exercices et vérification de la compréhension : La question conceptuelle doit choisir la percée théorique « intégrer les méthodes de génération de candidats dans les objets d'évolution ». Une bonne réponse indique une compréhension conforme au programme
> - En cas d'erreur, revoir d'abord les concepts clés avant de réessayer. Pour juger des affirmations comme « l'algorithme passe d'un outil fixe à un solveur en évolution continue », le choix le plus raisonnable est de pouvoir expliquer les concepts de cette page avec des preuves ou des exemples, et de pouvoir justifier
> - Éviter de sauter les documents pour réciter directement, de conclure uniquement par intuition, ou de modifier tous les facteurs à la fois pour comparer. Introduction de l'évolution des méthodes dans une plateforme d'optimisation combinatoire multi-tâches. Reformulation du problème : passer de « trouver la solution optimale pour chaque tâche sous un algorithme génétique fixe » à « faire évoluer dans une famille de tâches ou un environnement un solveur qui sait mieux trouver des solutions ». L'espace de méthodes évolutives peut inclure les types et intensités d'opérateurs de croisement et de mutation, les stratégies de sélection, les opérateurs de recherche locale, les règles hyper-heuristiques, les stratégies de contrôle des paramètres, le processus de génération de candidats, ainsi que les combinaisons de stratégies de style MetaDE, les structures de topologie et de paramètres de style AutoPSO. Boucle de retour fermée : le niveau de la méthode échantillonne ou mute un ensemble de méthodes ou de configurations d'opérateurs, le niveau de la solution génère des candidats sur plusieurs tâches et calcule la fitness
> - La performance inter-tâches est agrégée en signaux de retour, renvoyés au niveau de la méthode pour sélection, mutation et recombinaison, mise à jour de la distribution des méthodes, puis passage au cycle de génération suivant. Migration de l'évaluation : ne plus regarder seulement l'optimum ponctuel d'une tâche unique, mais la généralisation inter-tâches, la robustesse, la diversité, le coût de calcul et la stabilité. Risques principaux : le méta-niveau sur-apprend un petit nombre de tâches ou une récompense à court terme, entraînant l'effondrement de la diversité de l'espace des méthodes
> - Les contre-mesures incluent l'échantillonnage de tâches, la régularisation, le maintien de la diversité et la validation hiérarchique.

**Activité en classe**

Demander aux étudiants de reformuler avec leurs propres mots la chaîne « famille de problèmes/environnement → espace de méthodes évolutives → générateur de candidats → évaluation des solutions candidates → mise à jour des méthodes → régénération », et de donner un exemple distinguant le niveau de la méthode et le niveau de la solution. Demander aléatoirement à un étudiant de résumer les points clés de cette page, l'enseignant complétant les mots-clés manquants.

> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent énoncer le critère de jugement — les variables d'optimisation incluent-elles la méthode, l'opérateur ou la stratégie de génération de candidats, et le niveau de la méthode reçoit-il des retours et se met-il à jour — passer à la page suivante sur l'architecture spécifique, l'application ou le résumé.

**Couverture des mots-clés**

- Évolution des méthodes, Meta-Evolution, espace de méthodes évolutives, générateur de candidats, niveau de la méthode et niveau de la solution, boucle de retour fermée, MetaDE, AutoPSO, généralisation inter-tâches, robustesse, diversité, coût de calcul.

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

### Évolution bicouche interne-externe et mécanismes adaptatifs

*Page 7*

> **Objectif de la page :** Les apprenants doivent maîtriser le mécanisme de coopération bicouche entre la résolution de tâches interne et l'optimisation de stratégies externe.

**Points clés de l'enseignement**

- Pour mémoriser, demandez d'abord : qui résout le problème ? Qui modifie la méthode ? Le niveau interne produit les solutions et les performances, le niveau externe produit les configurations et les stratégies. Puis connectez « performance interne → fitness externe → mise à jour de la configuration interne » en boucle fermée.
- La fitness externe évalue la performance d'un ensemble de configurations internes sur des tâches par lots, pas la valeur objective optimale d'une tâche unique. Comprendre cela évite de prendre à tort le niveau externe pour un autre solveur direct.
- Si la variance d'évaluation interne est très grande, le niveau externe peut prendre une configuration à performance accidentellement bonne pour réellement meilleure. En révision, réfléchissez à comment la performance moyenne, les statistiques robustes et l'augmentation des échantillons d'évaluation aident le niveau externe à décider de manière stable.

Objectif de la page

Cette page est consacrée à l'évolution bicouche interne-externe et aux mécanismes adaptatifs, les apprenants doivent comprendre que l'évolution des méthodes n'optimise pas seulement les solutions, mais ajoute un niveau de contrôle méta-évolutif au-dessus de la couche de résolution de tâches, permettant au système d'ajuster automatiquement les méthodes de résolution selon les changements de tâches et d'environnement. Après l'étude, ils doivent pouvoir expliquer la division des responsabilités entre les niveaux interne et externe, la formation de la boucle de retour fermée, et le rôle du parallélisme GPU.

Ordre de présentation

Qui résout le problème ? Qui modifie la méthode ? En déduire que le niveau interne produit les solutions et les performances, le niveau externe produit les configurations et les stratégies. Puis connecter « performance interne → fitness externe → mise à jour de la configuration interne » en boucle fermée, aidant les étudiants à appréhender globalement la structure bicouche.

Points clés de l'enseignement

1. Le niveau interne est la couche de résolution de tâches. Il est chargé de résoudre les tâches réelles, exécute en parallèle un grand nombre de tâches concrètes, produit les solutions candidates, les valeurs objectives f et les performances d'exécution, comme le temps de ressources, le nombre d'étapes de convergence, le taux de succès. Le point d'ancrage mémoriel est « résoudre le problème ».

2. Le niveau externe est la couche d'évolution des méthodes. Il ne résout pas directement la tâche originale, mais fait évoluer la configuration, les stratégies et les paramètres de l'algorithme interne, incluant les opérations d'évaluation, sélection, mutation, mise à jour. Le point d'ancrage mémoriel est « améliorer la méthode de résolution ».

3. La boucle de retour fermée est la clé de la structure bicouche. La performance des tâches par lots du niveau interne est agrégée en signaux de fitness externe, utilisés pour sélectionner, muter et mettre à jour de meilleures configurations internes ; les configurations mises à jour retournent au niveau interne, formant une boucle fermée.

4. Le mécanisme adaptatif se manifeste par l'ajustement continu des stratégies internes par le niveau externe selon les changements de tâches et d'environnement. Il ne s'agit pas d'une simple mise en série de deux algorithmes, mais de l'ajout d'un contrôle méta-évolutif au-dessus de la couche de résolution de tâches, faisant passer le système de la configuration manuelle de l'algorithme à l'adaptation automatique de l'algorithme aux tâches.

Le niveau interne produit des « solutions », le niveau externe produit « de meilleures méthodes de production de solutions ». La fitness externe n'est pas la valeur optimale de la tâche originale elle-même, mais l'évaluation de la performance d'un ensemble de configurations internes sur des tâches par lots.

Le GPU peut exécuter en parallèle un grand nombre de tâches internes, fournissant des retours statistiques plus abondants pour l'évolution externe, et réduisant les coûts d'attente de recherche. Il faut souligner ici que le parallélisme améliore le support statistique et l'efficacité, n'annule pas l'évaluation, et ne garantit pas l'optimum global.

Le DE interne est chargé des tâches d'optimisation concrètes, le niveau externe sélectionne et ajuste la configuration et les stratégies du DE selon la performance d'exécution interne, comme la stratégie de mutation, le taux de croisement, la taille de la population ; les résultats d'un grand nombre de tâches internes guident en retour la sélection de la configuration externe, formant une boucle fermée bicouche « améliorer l'évolution par l'évolution ».

Pistes de matériel

À gauche la couche de résolution de tâches interne, à droite la couche d'évolution des méthodes externe. La gauche produit les solutions candidates, les valeurs objectives et les performances d'exécution, qui entrent à droite via « données de performance → signaux de fitness » ; la droite, après évaluation, sélection, mutation, mise à jour, retourne à gauche via « mise à jour de la configuration et des stratégies internes ». En bas, annotation du parallélisme GPU, utilisé pour exécuter par lots les tâches internes.

Vérification de la compréhension

Comment la performance interne influence-t-elle le niveau externe ? Si les étudiants ne disent que « exécuter les tâches en parallèle », rappelez-leur d'ajouter « agrégées en signaux de fitness, puis pilotant la sélection, la mutation et la mise à jour ».

Traitement des exercices

Les exercices de cette page portent sur la division des responsabilités, la boucle de retour fermée, le rôle du parallélisme et « améliorer l'évolution par l'évolution ».

La responsabilité principale du niveau interne est de résoudre les tâches réelles, générant les solutions candidates, les valeurs objectives et les données de performance d'exécution. Souligner que le niveau interne produit d'abord les solutions et les performances, le niveau externe ne fait qu'ensuite évoluer les configurations et les stratégies.

Le niveau externe ne résout pas directement la tâche originale, car sa responsabilité est de faire évoluer la configuration, les stratégies et les paramètres de l'algorithme interne, relevant du contrôle méta-niveau. Saisir « comment la méthode évolue », pas « quelle est la solution ».

Les résultats d'évaluation internes sont agrégés en signaux de fitness externe, utilisés pour sélectionner, muter et mettre à jour les configurations internes. La clé de la structure bicouche est la boucle de retour fermée, pas le parallélisme en boucle ouverte.

Le rôle le plus important du parallélisme GPU pour un grand nombre de tâches internes est de fournir des retours statistiques plus abondants et de réduire les coûts d'attente de recherche. Le parallélisme améliore le support statistique et l'efficacité, ce n'est pas équivalent à annuler l'évaluation ou garantir l'optimum global.

« Améliorer l'évolution par l'évolution » signifie que le niveau externe fait évoluer la configuration et les stratégies de l'algorithme interne, la performance interne alimentant en retour la fitness externe, formant une boucle fermée bidirectionnelle.

En cas de bonne réponse, féliciter l'étudiant de pouvoir relier les concepts de cette page et justifier ; en cas d'erreur, le guider vers les deux points de jugement que sont la division des responsabilités et la boucle de retour fermée.

Traitement du cas

Le DE résout sur des instances de planification concrètes, produisant les solutions candidates, les valeurs objectives, le nombre d'étapes de convergence et autres performances d'exécution. Responsabilité du niveau externe : ne pas planifier directement, mais faire évoluer la configuration et les stratégies du DE, comme la stratégie de mutation, le taux de croisement, la taille de la population. Boucle de retour fermée : la performance des tâches par lots internes est agrégée en signaux de fitness externe, le niveau externe sélectionne, mute et met à jour de meilleures configurations internes sur cette base ; les configurations mises à jour retournent au niveau interne.

Si la variance d'évaluation interne est très grande, la fitness externe peut utiliser la performance moyenne sur des répétitions multiples ou des tâches par lots, la médiane, des statistiques robustes ou une borne inférieure de confiance avec pénalité, pour réduire les erreurs de sélection dues à la forte variance ; si nécessaire, augmenter le nombre d'échantillons d'évaluation par configuration. Le parallélisme GPU peut exécuter par lots un grand nombre de tâches internes, élargissant la taille d'échantillon et raccourcissant le temps d'attente, rendant l'estimation de la fitness externe plus stable.

Indication de transition

Après avoir confirmé que les étudiants peuvent dire « le niveau interne produit les solutions et les performances, le niveau externe produit les configurations et les stratégies, la performance interne alimente en retour la fitness externe », passer à la page suivante sur l'application, les exemples ou le résumé.

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

### Implémentation typique de l'évolution des méthodes : l'architecture MetaDE

*Page 8*

> **Objectif de la page :** Les apprenants doivent comprendre comment MetaDE confie les stratégies de mutation et les paramètres de l'évolution différentielle à l'optimisation externe.

**Points clés de l'enseignement**

- Le niveau externe recherche la configuration de l'algorithme, le niveau interne recherche les solutions du problème. Voir « stratégies, mode de croisement, F, CR optimisés » c'est le niveau externe ; voir « cette solution est-elle bonne » c'est le niveau interne. Pour juger à quel niveau appartient une description, demandez d'abord si elle optimise la configuration ou la solution.
- Une exécution unique du niveau interne comporte de l'aléatoire, l'utiliser directement pour comparer deux configurations conduit facilement à des conclusions accidentelles. Avant de comparer, faites exécuter les configurations plusieurs fois indépendamment et prenez la moyenne (ou la médiane), puis confiez-la au niveau externe pour la sélection, sinon le niveau externe sélectionne du bruit aléatoire.
- Le coût d'évaluation est approximativement égal au nombre d'individus externes × générations × répétitions internes. Calculez d'abord ce compte, puis décidez des investissements en parallélisation, tensorisation et ordonnancement runtime ; sinon, avant que le niveau externe ne converge, le temps et le budget de calcul sont déjà épuisés.

【Objectif de la page】Comprendre comment MetaDE confie les stratégies de mutation et les paramètres clés de l'évolution différentielle à l'optimisation par évolution externe, transformant ainsi « comment évoluer » d'un présupposé manuel en une recherche adaptative.

【Ordre de présentation】Clarifier d'abord la structure bicouche (le niveau externe recherche l'algorithme, le niveau interne résout le problème), puis expliquer les objets de l'évolution externe et la boucle de vérification, ensuite comparer avec le DE fixe et expliquer les coûts et prérequis, enfin donner un exemple minimal et le positionnement.

【Points clés de l'enseignement】

La couche d'évolution externe prend une configuration d'algorithme DE comme un individu, effectuant sélection, croisement, mutation et élimination sur l'espace des configurations ; la couche de tâches interne est le processus de résolution conventionnel de l'évolution différentielle sur la tâche d'optimisation originale. L'objet d'optimisation externe est la configuration de l'algorithme (décidant « comment rechercher »), l'objet d'optimisation interne est la solution du problème (décidant « à quel point la recherche est bonne »). On peut s'appuyer sur le schéma : le niveau externe contient les stratégies rand/1, best/1, current-to-best/1, le mode de croisement, F, CR, etc. ; les configurations candidates sont transmises, les performances réelles renvoyées.

Un individu externe encode tout un ensemble de comportements algorithmiques, incluant la stratégie de mutation, le mode de croisement, le facteur d'échelle F, la probabilité de croisement CR, la taille de la population, etc. Les différences entre individus correspondent aux tendances comportementales d'une même famille d'algorithmes sous différentes caractéristiques de problèmes.

Chaque configuration candidate doit être envoyée à la tâche originale pour exécution réelle, soumise à la vérification de la performance réelle ; le niveau externe effectue sélection, élimination et préservation selon la fitness renvoyée par le niveau interne. Formant une boucle fermée itérative « génération de configuration → vérification par la tâche → rétroaction de sélection ». La fitness externe ne peut provenir que des résultats d'exécution réels du niveau interne, elle ne peut pas être jugée uniquement sur des méta-indicateurs ou des a priori.

Les stratégies et paramètres du DE traditionnel sont prédéfinis par le chercheur et fixés tout au long du processus ; MetaDE confie ce pouvoir de décision à l'évolution externe, dotant l'algorithme d'une capacité d'adaptation aux caractéristiques des problèmes — par exemple préférer rand/1 plus exploratoire et un F plus grand en début de recherche, puis passer à best/1 plus rapide en convergence et un F plus petit en fin de recherche.

Chaque configuration candidate doit exécuter complètement une tâche interne (nécessitant généralement plusieurs exécutions indépendantes pour prendre la moyenne afin de supprimer l'aléatoire), le coût d'évaluation étant multiplié par la taille de la population externe et le nombre de générations. Le budget d'évaluation est approximativement égal au nombre d'individus externes × générations × répétitions internes. Par conséquent, MetaDE dépend fortement des bases d'ingénierie que sont la parallélisation, la tensorisation et l'ordonnancement runtime.

Un individu de la population externe est encodé comme « rand/1 + croisement binomial + F=0,5, CR=0,9 », cette configuration est envoyée à la tâche interne pour plusieurs exécutions indépendantes, la fitness moyenne est prise comme fitness de l'individu externe ; le niveau externe sélectionne, mute et préserve les meilleures configurations sur cette base, formant une boucle fermée itérative « génération de configuration—vérification par la tâche—rétroaction de sélection ». Cette étape est la forme minimale exécutable de « améliorer l'algorithme d'évolution par l'algorithme d'évolution ».

MetaDE est la concrétisation de « l'évolution bicouche interne-externe et des mécanismes adaptatifs » passant de l'idée à une architecture réalisable, et fournit également un paradigme méthodologique pour l'évolution des structures algorithmiques ultérieure (AutoPSO, EvoGO).

La configuration de l'algorithme d'évolution différentielle, incluant la stratégie de mutation, le mode de croisement et les paramètres de contrôle), la raison de l'exécution réelle obligatoire (réponse : seuls les résultats d'exécution réels peuvent servir de base de fitness fiable pour la sélection externe, les jugements a priori étant facilement en contradiction avec la performance réelle), les changements clés par rapport au DE fixe (réponse : les stratégies et paramètres de contrôle ne sont plus fixés tout au long du processus, mais déterminés dynamiquement par l'évolution externe), la principale source de coût de calcul (réponse : chaque configuration candidate doit exécuter complètement une tâche interne, le coût d'évaluation étant multiplié par la taille de la population externe et le nombre de générations), la relation avec les travaux ultérieurs (réponse : MetaDE donne un paradigme réalisable d'« améliorer l'algorithme d'évolution par l'algorithme d'évolution », fournissant une référence méthodologique pour l'évolution des structures algorithmiques ultérieure).

En cas de mauvais choix, revenir d'abord à la division « le niveau externe recherche la configuration, le niveau interne résout le problème », et à la définition de la « boucle de vérification ». Les deux questions du cas : le point clé de la première question est qu'il n'y a pas de garantie de cohérence fiable entre les méta-indicateurs ou l'expérience a priori et la performance réelle de la tâche, il faut prendre le retour réel interne comme base de sélection, sinon on préserve des configurations apparemment raisonnables mais de performance réelle médiocre, et la direction de l'évolution est systématiquement biaisée ;

Le point clé de la deuxième question est d'estimer d'abord le budget total du nombre d'évaluations (taille de la population externe × générations × répétitions internes), de comprimer raisonnablement la taille de la population externe ou le nombre de générations, en garantissant en priorité que le nombre de répétitions internes n'est pas inférieur au niveau permettant d'estimer stablement la moyenne (par exemple 5 à 10 fois), tout en augmentant le degré de parallélisme, en utilisant si nécessaire l'arrêt précoce ou des modèles substituts pour le pré-filtrage, mais tout candidat entrant dans la comparaison finale et décidant du maintien ou non doit encore passer par la vérification réelle de la tâche originale. Le langage de retour peut être : en cas de bonne réponse, féliciter de pouvoir relier les concepts de cette page et justifier ; en cas d'erreur, indiquer de revenir à la présentation de cette page, de trouver les preuves clés ou les exemples avant de juger.

【Vérification de la compréhension】Demander aléatoirement à un étudiant de résumer avec ses propres mots la structure bicouche et la boucle de vérification de MetaDE, l'enseignant complétant les mots-clés manquants selon la réponse, comme « le niveau externe optimise la configuration de l'algorithme », « le niveau interne optimise la solution du problème », « la configuration candidate doit être réellement exécutée une fois », « la fitness ne peut provenir que des résultats d'exécution réels ».

【Indication de transition】Après avoir confirmé que les étudiants peuvent dire « le niveau externe recherche la configuration de l'algorithme, le niveau interne recherche la solution du problème » et la boucle fermée « génération de configuration → vérification par la tâche → rétroaction de sélection », passer à la page suivante sur les exemples, applications ou résumé.

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

### Évolution des structures algorithmiques : AutoPSO et EvoGO

*Page 9*

> **Objectif de la page :** Les apprenants doivent comprendre la façon de franchir le pas de l'optimisation des paramètres à l'évolution des structures algorithmiques.

**Points clés de l'enseignement**

- Face à une nouvelle méthode, localisez d'abord son espace de recherche externe : si elle recherche des configurations numériques, c'est du réglage de paramètres ; si elle recherche des combinaisons de composants et des modes de génération de candidats, c'est de la modification de structure. Cet ordre de questionnement permet de juger en une phrase le niveau où se situe la méthode.
- Élargir autant que possible l'intervalle de recherche du facteur d'apprentissage ou de la taille de la population, la structure reste fixe, la forme comportementale ne change pas, c'est essentiellement encore le niveau des paramètres. Le critère de jugement est « la combinaison de composants est-elle variable », et non « la plage de valeurs est-elle plus grande ».
- L'espace de recherche de l'évolution au niveau de la structure est plus grand, chaque évaluation plus coûteuse, donc la sélection externe doit s'appuyer sur des échantillons de comparaison « structure—performance » suffisamment denses. Avant de commencer, demandez-vous : y a-t-il une capacité de parallélisation par lots permettant d'évaluer simultanément un grand nombre de tâches internes ? Sans cela, l'évolution de structure est facilement noyée par le bruit d'exécution.

> **Objectif de la page**
>
> Cette page se concentre sur « l'évolution des structures algorithmiques ». Les apprenants doivent comprendre la façon de franchir le pas de l'optimisation des paramètres à l'évolution des structures algorithmiques, et pouvoir utiliser « le niveau de l'espace de recherche externe » comme critère pour distinguer le réglage de paramètres de la modification de structure.
>
> Ordre de présentation et points clés :
>
> 1. Comparer d'abord MetaDE et AutoPSO / EvoGO. L'espace de recherche externe de MetaDE est la configuration et les stratégies de l'algorithme interne (facteur d'apprentissage, probabilité de mutation, pression de sélection, etc.), relevant du niveau des paramètres : structure fixe, seuls les nombres sont ajustés, ce qui change est l'intensité comportementale. L'espace de recherche externe d'AutoPSO / EvoGO est la structure algorithmique elle-même : quels composants participent à la combinaison, à quoi ressemble le processus de génération de candidats, comment l'état est mis à jour. Ce qui est variable au niveau de la structure, ce sont les composants et les modes de connexion, ce qui change est la forme comportementale. Le critère de jugement n'est pas le nom de la méthode, mais ce que le niveau externe recherche réellement.
>
> La formule de mise à jour vitesse—position du PSO classique est figée. AutoPSO la décompose en un pool de composants combinables, incluant le terme de vitesse, la topologie de voisinage, le terme de perturbation, la stratégie de redémarrage, etc. ; le niveau externe sélectionne et assemble ensuite de nouveaux générateurs de candidats. Ainsi « la structure de mise à jour » devient elle-même une variable recherchable. Souligner : ajuster le facteur d'apprentissage ne change que l'intensité comportementale, modifier la combinaison de composants change la forme comportementale.
>
> Mettre l'accent sur l'intégration du retour historique dans le chemin d'évolution de la structure. Les trajectoires de recherche passées et les enregistrements de performance ne servent plus seulement à « sélectionner les solutions », mais à décider « où modifier la structure à l'étape suivante ». Le retour passe de filtre de résultats à volant d'orientation de la mise à jour de structure — ce qu'il change est la direction des candidats de structure du prochain cycle, et non la sélection de résultats parmi un lot de candidats déjà terminés.
>
> Les deux partagent le même squelette — l'algorithme interne s'exécute sur des tâches réelles, le niveau externe fait évoluer la structure selon la performance interne. Le prérequis clé est la densité d'échantillons : le parallélisme GPU exécute par lots un grand nombre de tâches internes, rendant les échantillons de comparaison « structure—performance » suffisamment denses, la sélection externe n'ayant de sens statistique qu'à cette condition, sans être influencée par le bruit d'une exécution unique. Implication d'ingénierie : l'algorithme passe d'« un choix a priori ponctuel » à « un objet pouvant être continuellement amélioré » ; le coût est un espace de recherche de structure plus grand et un coût d'évaluation plus élevé, dépendant donc de la base de parallélisation tensorisée, ce qui est aussi la motivation directe du thème du parallélisme GPU de la section suivante.

> **Pistes de matériel**
>
> - À gauche le pool de composants (opérateurs combinables), au centre l'assemblage de structure (sélection de structure pilotée par le retour historique), à droite le générateur de candidats (instancié par la structure externe)
> - En bas l'évaluation des tâches internes et l'exécution par lots parallèle GPU, avec des flèches de retour renvoyant la performance interne au niveau externe. Lors de la présentation, on peut suivre l'ordre « combinaison—instanciation—évaluation—retour ».

**Traitement des exercices**

Cette page comporte 5 questions à choix multiples. Question 1, la bonne réponse est « l'espace de recherche externe est la configuration et les stratégies de l'algorithme interne, ou la structure algorithmique elle-même » ; point de retour : rechercher des nombres = régler les paramètres, rechercher des combinaisons de composants et des modes de génération de candidats = modifier la structure. Question 2, la bonne réponse est « décomposer l'optimisation par essaim particulaire en un pool de composants combinables, le niveau externe sélectionnant et assemblant de nouveaux générateurs de candidats ». Question 3, la bonne réponse est « passer de servir seulement à "sélectionner les solutions" à servir à décider "où modifier la structure à l'étape suivante" ». Question 4, la bonne réponse est « rendre les échantillons de comparaison "structure—performance" suffisamment denses, la sélection externe n'ayant de sens statistique qu'à cette condition ». Question 5, la bonne réponse est « recombiner le terme de vitesse, la topologie de voisinage, le terme de perturbation et la stratégie de redémarrage en un nouveau générateur de candidats ».

Chaque bonne réponse peut être félicitée de pouvoir relier les concepts de cette page et justifier ; en cas d'erreur, indiquer de revenir à la présentation de cette page pour trouver les preuves clés ou les exemples.

Traitement des questions de cas :

Le cas demande de faire passer un solveur PSO à structure fixe en système à structure évolutive. Critère de la question 1 : regarder le niveau de l'espace de recherche externe. Si l'on ne fait que régler le poids d'inertie, le facteur d'apprentissage, la taille de la population, le nombre d'itérations et autres valeurs, on reste au niveau des paramètres ; ce n'est que lorsque le niveau externe peut modifier la combinaison de composants et le mode de génération de candidats, par exemple en resélectionnant et assemblant le terme de vitesse, la topologie de voisinage, le terme de perturbation, la stratégie de redémarrage, faisant changer la forme comportementale, qu'on franchit le pas vers le niveau de la structure. Vérification opérationnelle : geler tous les hyperparamètres numériques, ne permettre au niveau externe que de modifier la combinaison de composants, si le comportement de recherche change encore fondamentalement, alors la mise à niveau vers le niveau de la structure est effective.

Organiser les enregistrements d'exécution interne après chaque instanciation de structure en caractéristiques de retour structurées (combinaison de composants, trajectoire de convergence, forme de la courbe de fitness, modes d'échec ou de stagnation, etc.), laisser ces caractéristiques piloter directement les règles de mise à jour de la structure externe, par exemple décider « quel composant modifier en priorité à l'étape suivante, quelle connexion ajouter ou supprimer », plutôt qu'un simple tri pour prendre le meilleur. Différence avec « servir seulement à sélectionner les solutions » : dans le premier cas le retour est un filtre de résultats a posteriori ; dans l'usage de style EvoGO le retour est un contrôleur de direction a priori. Et rappeler qu'il faut s'accompagner du parallélisme GPU pour exécuter par lots un grand nombre de tâches internes, accumulant des échantillons de comparaison suffisamment denses.

**Couverture des mots-clés**

- AutoPSO, EvoGO, MetaDE, niveau des paramètres, niveau de la structure, pool de composants, générateur de candidats, retour historique, parallélisme GPU, échantillons de comparaison structure—performance. Vérification de la compréhension et activité en classe : Comment juger si une méthode relève du réglage de paramètres ou de la modification de structure ? Qu'ont fait respectivement AutoPSO et EvoGO ? On peut aussi demander aux étudiants de reformuler avec un exemple proche de leur expérience l'ordre de questionnement « ce que le niveau externe recherche ».

> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent exprimer la différence entre le niveau des paramètres et le niveau de la structure, ainsi que la dépendance de l'évolution de structure à la densité d'échantillons parallèles, passer à la page suivante sur le parallélisme GPU ou le résumé des applications ultérieures.

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

### Parallélisme GPU et amélioration de l'évolution par l'évolution

*Page 10*

> **Objectif de la page :** Les apprenants doivent maîtriser comment, grâce au parallélisme GPU, faire de l'auto-optimisation des algorithmes un processus de calcul exécutable.

> **Objectif de la page**
>
> Comprendre comment, dans l'architecture bicouche d'« améliorer l'évolution par l'évolution », le parallélisme GPU transforme le débit d'évaluation interne en retour statistique utilisable par le niveau externe, faisant de l'auto-optimisation des algorithmes un processus exécutable.

> **Ordre de présentation**
>
> Établir d'abord l'intuition de la boucle fermée bicouche — exécution et notation par lots du niveau interne, agrégation des performances par le niveau intermédiaire, sélection, mutation ou mise à jour des configurations par le niveau externe ; puis expliquer pourquoi le parallélisme GPU est irremplaçable ; enfin utiliser les points d'erreur et les exercices pour vérifier si les étudiants distinguent réellement les responsabilités des deux niveaux.

**Points clés de l'enseignement**

- 1. Structure bicouche. Le niveau interne est chargé d'exécuter par lots sur GPU un grand nombre de configurations d'algorithmes candidates, par exemple différents hyperparamètres, opérateurs ou stratégies de recherche, et de compléter l'exécution et la notation pour chaque instance de tâche. La granularité des tâches est fine, le nombre grand, ce qui correspond exactement aux caractéristiques de débit du traitement par lots. Le niveau intermédiaire agrège les performances brutes d'un grand nombre de tâches internes en indicateurs statistiques, estimant la qualité de chaque configuration sur toute la distribution des tâches, formant la fitness utilisée par le niveau externe. Le niveau externe prend le retour statistique comme entrée pour effectuer sélection, mutation ou mise à jour, générer la configuration de la génération suivante et la renvoyer au niveau interne, constituant une boucle fermée. Débit parallèle → retour de performance → sélection de configuration. Plus le degré de parallélisme est élevé, plus les échantillons de retour sont abondants, plus l'estimation de la fitness externe est stable, plus la direction d'amélioration de la configuration est fiable
- Les configurations améliorées sont renvoyées à la couche inférieure, entrant dans le prochain cycle de débit parallèle. 3. Le parallélisme GPU est irremplaçable. Dans une boucle série traditionnelle, le temps mural d'une itération est déterminé conjointement par « nombre de configurations candidates × nombre d'échantillons de tâches », difficilement supportable dès que l'échelle augmente un peu, la boucle série devenant ainsi le principal goulot d'étranglement limitant l'espace de configuration et la taille des échantillons de tâches. Le parallélisme GPU fait exécuter simultanément un grand nombre d'algorithmes internes, faisant passer la boucle série de goulot principal à coût de traitement par lots acceptable, amplifiant ainsi simultanément l'espace de configuration explorable et la taille des échantillons de tâches.

> **Pistes de matériel**
>
> - Le schéma de boucle fermée représente de bas en haut la performance des tâches et le retour de fitness, de haut en bas la transmission des configurations
> - Chaque unité représente une exécution parallèle et une notation d'une configuration d'algorithme sur une instance de tâche. Lors de la présentation, on peut souligner que les deux flux de données en haut et en bas sont de directions opposées, mais aucun ne peut manquer. Le niveau interne « exécute les tâches et attribue les scores », le niveau externe « sélectionne les configurations par évolution », ne pas confondre les deux niveaux. Le retour ne peut provenir que de la performance d'exécution réelle du niveau interne, il ne peut pas être une supposition aléatoire du niveau externe ou une constante fixée artificiellement. La stabilité de la fitness externe dépend de la taille d'échantillon fournie par le parallélisme interne
> - Plus le parallélisme est suffisant, plus l'estimation est stable
> - Lorsque les échantillons sont peu nombreux, vérifier d'abord le débit interne, plutôt que de se précipiter pour ajuster les paramètres externes.

**Traitement des exercices**

Question 1, la bonne réponse est « les données de performance agrégées après l'exécution parallèle des tâches internes sur GPU ». Si les étudiants se trompent, revenir à la chaîne de boucle fermée et souligner : le retour provient toujours des résultats d'exécution réels d'un grand nombre de tâches internes, pas de nombres aléatoires ou d'étiquettes artificielles.

Question 2, la bonne réponse est « le temps mural d'un cycle accumulé dans une boucle série par un grand nombre de configurations candidates et d'échantillons de tâches ». Si les étudiants se trompent, indiquer que le goulot d'étranglement est dans le débit d'évaluation, pas dans la définition des opérateurs, l'approximation de distribution ou l'interprétabilité, qui sont indépendants de l'échelle de calcul.

Question 3, la bonne réponse est « exécution et évaluation parallèles du niveau interne → convergence des retours de performance → sélection ou mutation des configurations par le niveau externe ». Si les étudiants se trompent, souligner que les données sont d'abord produites par le niveau interne, puis agrégées en retour, et enfin utilisées par le niveau externe pour la sélection de configuration, l'ordre ne peut être inversé ; les deux niveaux doivent échanger des informations pour exister.

Question 4, la bonne réponse est « retour statistique insuffisant, bruit d'estimation de la fitness externe augmenté, convergence ralentie ». Si les étudiants se trompent, expliquer qu'un parallélisme insuffisant n'équivaut pas à un arrêt du système, mais rend le retour statistique plus clairsemé, la variance plus grande, ralentissant voire trompant la recherche externe.

Question 5, la bonne réponse est « une exécution parallèle et une notation d'une configuration d'algorithme sur une instance de problème spécifique ». Si les étudiants se trompent, rappeler que l'unité de la tâche interne est une exécution et une notation de « configuration × instance de problème », des milliers de telles tâches exécutées en parallèle formant le débit.

Question 1, il faut expliquer clairement que le niveau interne exécute par lots en parallèle sur GPU les configurations d'algorithmes et complète la notation, les indicateurs sont agrégés en retour statistique pour estimer la fitness, le niveau externe effectue sur cette base la sélection, la mutation ou la mise à jour et renvoie la configuration de la génération suivante, formant la boucle fermée « débit parallèle—retour de performance—sélection de configuration ». Question 2, combiner débit et qualité du retour : la boucle série CPU limite le nombre de configurations candidates et la taille des échantillons de tâches par le débit monothread, le temps mural d'un cycle devient rapidement insupportable avec l'échelle ; les échantillons de retour diminuent, la variance augmente, le jugement du niveau externe sur la qualité des configurations est instable, la direction de recherche s'écarte facilement, la convergence ralentit voire stagne. Le parallélisme GPU, en améliorant le débit interne, élargit à la fois les configurations et la taille des tâches explorables, et garantit la qualité statistique du retour.

**Vérification de la compréhension**

Demander aux étudiants de reformuler avec leurs propres mots « débit parallèle → retour de performance → sélection de configuration », et d'indiquer ce dont sont respectivement responsables le niveau interne et le niveau externe. Si les étudiants ne retiennent que la rapidité du GPU sans expliquer clairement que le retour provient de l'exécution réelle du niveau interne, revenir au schéma de boucle fermée pour compléter.

> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent distinguer les responsabilités des deux niveaux, et dire que la qualité du retour dépend de la taille d'échantillon parallèle interne, passer à la page suivante sur l'application, les exemples ou le résumé.

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

### Concevoir un plan d'expérience d'optimisation bicouche

*Page 11*

> **Objectif de la page :** Les apprenants doivent concevoir par la pratique un plan d'expérience prenant le facteur de mutation de l'évolution différentielle comme objet d'évolution externe.

**Points clés de l'enseignement**

- Sans comparaison sur la même base avec F = 0,5 fixe et un DE adaptatif classique, toute « victoire du niveau externe » n'est que du bruit. La référence doit utiliser le même budget d'évaluation, le même matériel et le même ensemble de graines aléatoires que votre solution.
- L'évaluation interne comporte naturellement du bruit : exécuter plusieurs fois et observer simultanément la moyenne, la médiane et le quantile le plus défavorable, rapporter si nécessaire l'intervalle de confiance ; séparer les tâches d'entraînement et de validation, éviter que le niveau externe ne fasse que mémoriser quelques graines chanceuses.
- La correspondance de chaque gène vers la configuration runtime doit être écrite en règles directement exécutables, et enregistrée avec l'expérience : graines, budget, ID de tâche, matériel et conditions d'arrêt. Ce n'est que lorsque d'autres peuvent rejouer à l'identique selon ces enregistrements que le plan est véritablement établi.

> **Objectif de la page**
>
> Faire passer le facteur de mutation F de l'évolution différentielle (DE) du statut d'hyperparamètre fixe à celui d'objet évolutif externe, concevoir un plan d'expérience d'optimisation bicouche exécutable et rejouable.
>
> Ordre de présentation et points clés :
>
> 1. Donner d'abord la boucle fermée bicouche. Le niveau externe est chargé de faire évoluer la stratégie F, le niveau interne utilise une configuration F pour exécuter la résolution de tâches par DE, et renvoie la performance des tâches au niveau externe. Le niveau externe met à jour la configuration selon le retour, formant le cycle « configuration → exécution → évaluation → mise à jour ».
>
> 2. Le niveau interne doit être rendu expérimentalement reproductible. Après avoir choisi la fonction de référence ou la tâche, verrouiller la structure principale du DE, la dimension, le budget d'évaluation et l'ensemble de graines aléatoires, la seule quantité variable étant la configuration F transmise par le niveau externe. Chaque exécution enregistre la valeur optimale, le nombre de générations de convergence, le taux de succès, la violation de contraintes, l'hypervolume, la diversité des candidats et autres indicateurs ; ce sont toutes les informations que le niveau externe peut voir.
>
> 3. Le niveau externe ne recherche pas une valeur numérique, mais une stratégie F. Les encodages courants incluent F constant, F constant par phases (comme [F1,F2,F3] commutés selon les intervalles de générations) et des fonctions de planification contrôlées par un petit nombre de gènes (déclenchées par le taux de succès, la variance de population ou la proportion de générations). L'encodage de type stratégie doit spécifier clairement les caractéristiques d'entrée et les règles de sortie.
>
> 4. La correspondance du génotype vers la configuration runtime doit être explicite et reproductible. Par exemple [F début, F fin, décroissance] peut être mappé en F(t)=F début+(F fin−F début)×e^(−décroissance×t/T), où t est la génération actuelle, T le nombre total de générations ; [F1,F2,F3] peut être mappé en trois segments constants. Le même génotype doit toujours donner la même configuration runtime, sinon le « bon gène » appris par le niveau externe est inexplicable et difficile à transférer.
>
> 5. L'exécution de la boucle fermée dépend de l'évaluation par lots. Après que la population externe a généré un lot de configurations F, le planificateur distribue en parallèle les tâches DE internes, évalue par lots tensorisés sur GPU, agrège les indicateurs puis passe à la sélection, mutation, croisement et mise à jour externes. Il faut enregistrer les graines, le budget, l'ID de tâche, le modèle de matériel et les conditions d'arrêt, permettant à d'autres de rejouer dans les mêmes conditions.
>
> 6. L'agrégation des évaluations doit être robuste. Le niveau interne a naturellement du bruit, on peut donc exécuter plusieurs fois indépendamment, rapporter la moyenne, la médiane, le quantile le plus défavorable ou l'intervalle de confiance ; distinguer en même temps les tâches d'entraînement et de validation, éviter que le niveau externe ne mémorise que quelques graines chanceuses.
>
> Utiliser d'abord un modèle basse fidélité ou une évaluation substitut pour un pré-filtrage grossier, puis réévaluer haute fidélité un petit nombre de candidats ; protection de référence : F=0,5 fixe et DE adaptatif classique doivent être comparés sur la même base, et des expériences d'ablation doivent confirmer que le gain provient de l'évolution externe elle-même, et non d'un plus grand nombre d'évaluations. Si l'espace de recherche externe est trop petit, l'optimisation bicouche dégénère en réglage manuel de paramètres, il faut alors élargir l'espace d'encodage.

**Couverture des mots-clés**

- Optimisation bicouche, évolution externe, évaluation interne, stratégie F, mapping explicite, évaluation par lots GPU, référence, ablation, reproductibilité, protection contre le bruit.

> **Pistes de matériel**
>
> - La page utilise le schéma de boucle fermée « boucle externe—tâches internes—mapping de configuration—retour de tâches » pour montrer le plan, et liste les champs obligatoires : objectif des tâches internes, objet de stratégie externe, mode de mapping F, indicateurs d'évaluation, parallélisme et budget, référence/ablation/conditions d'arrêt. Pistes d'exercices et guide de réponses : Question 1, la bonne réponse est « verrouiller la structure principale du DE, la dimension, le budget d'évaluation et l'ensemble de graines aléatoires ». Point clé : seuls les autres facteurs étant verrouillés, les différences causées par différentes configurations F peuvent être attribuées à F. Question 2, la bonne réponse est « la planification continue F(t) à décroissance exponentielle selon les générations ». [F début, F fin, décroissance] trois gènes contrôlent respectivement le point de départ, le point final et le taux de décroissance. Question 3, la bonne réponse est « le planificateur distribue en parallèle les tâches DE internes, et évalue par lots tensorisés sur GPU ». La configuration doit d'abord être exécutée et mesurée, avant de pouvoir mettre à jour la fitness externe. Question 4, la bonne réponse est « exécuter plusieurs fois indépendamment et agréger par médiane, quantile le plus défavorable, etc., tout en distinguant les tâches d'entraînement et de validation ». C'est la clé pour faire face au bruit interne et éviter le sur-apprentissage des graines chanceuses. Question 5, la bonne réponse est « comparer sur la même base avec F=0,5 fixe, le DE adaptatif classique et autres références, et faire des expériences d'ablation pour confirmer la source du gain ». La conclusion n'est valable que si la comparaison se fait sous le même budget, le même matériel et le même ensemble de graines. L'exercice de cas demande de donner les règles de mapping et le schéma d'agrégation des évaluations. On peut concevoir une planification continue ou des constantes par phases, mais elle doit être explicite et reproductible
> - Le niveau interne enregistre la valeur optimale, le nombre de générations de convergence, le taux de succès et la variance, le niveau externe peut agréger en classement, terme de convergence et pénalité de variance
> - Utiliser F fixe et le DE adaptatif comme références, puis exécuter le groupe d'ablation « désactiver l'évolution externe, échantillonner aléatoirement le même nombre de configurations », pour vérifier que le gain ne provient pas de l'augmentation du nombre d'évaluations.

**Activité en classe**

Demander aux étudiants de concevoir en groupes un plan d'expérience d'optimisation bicouche prenant le facteur de mutation DE comme objet d'évolution externe, et de dessiner au tableau la boucle fermée entre niveau externe et niveau interne ; chaque groupe doit écrire au moins les règles de mapping du génotype vers F, les indicateurs d'évaluation, le mode d'agrégation de la fitness externe, le schéma de référence et d'ablation.

**Vérification de la compréhension**

Demander aléatoirement à un étudiant d'expliquer en deux phrases « pourquoi tout doit être fixé sauf F » et « pourquoi le mapping explicite est la prémisse de la reproductibilité ». Si l'étudiant peut relier l'attribution, le transfert et le rejeu, cela signifie qu'il a maîtrisé le cœur de cette page.

> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent dessiner la boucle fermée « mapping de configuration → exécution interne → retour de tâches → mise à jour externe », et dire le rôle de la référence et de l'ablation, passer à la page suivante sur les exemples ou le résumé.

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

### Développement continu et défis environnementaux des systèmes intelligents

*Page 12*

> **Objectif de la page :** Les apprenants doivent comprendre les défis d'adaptation environnementale à long terme auxquels les systèmes pilotés par les grands modèles doivent faire face.

**Points clés de l'enseignement**

- Résumer le développement continu en une formule : génération de candidats → vérification par l'environnement réel → filtrage (acceptation / rejet) → préservation des acquis. Si un maillon manque, un composant intelligent puissant ne peut rester qu'au niveau de « capacité ponctuelle ».
- L'augmentation du score de référence indique seulement que le candidat est meilleur sur les anciennes données, pas qu'il est plus adapté au nouvel environnement. Pour juger si un changement mérite d'être conservé, il faut regarder sa performance dans l'environnement réel, pas son classement sur l'ensemble de rejeu.
- Demandez-vous : mon système préserve-t-il et réutilise-t-il les acquis vérifiés ? A-t-il déjà rejeté une modification qui aurait détruit des capacités existantes ? Si les deux réponses sont « non », alors il n'a pas vraiment commencé à « se développer continuellement ».

Objectif de la page

Cette page traite du développement continu et des défis environnementaux des systèmes intelligents, le cœur n'est pas de continuer à demander à quel point un composant intelligent individuel est fort, mais de comprendre que les composants intelligents puissants ne sont que des matériaux, qui doivent être organisés dans un cadre système capable de s'adapter à long terme à l'environnement.

Points clés de l'enseignement

1. Un composant puissant n'équivaut pas à un système durable. Des modèles plus grands, des capacités de génération et de raisonnement plus fortes, des scores de référence plus élevés, n'apportent pas automatiquement une adaptation à long terme. Intégrer un composant intelligent dans un système ne fait que franchir la première étape.

Génération de candidats, vérification par l'environnement réel, filtrage des changements, persistance des acquis. La génération de candidats exige de produire continuellement des stratégies, structures ou paramètres candidats réellement différents ; si les candidats sont hautement homogènes, l'évolution perd sa matière première. La vérification par l'environnement réel fait entrer les candidats dans des tâches et retours réels, exposant les dérives de distribution, conditions limites et scénarios à longue traîne que les indicateurs hors ligne ne voient pas. Le filtrage des changements doit accepter les changements efficaces et rejeter les modifications qui détruiraient les capacités existantes, ces dernières étant souvent la principale source de dégradation à long terme. La persistance des acquis préserve les schémas, stratégies ou expériences vérifiés efficaces, pour que la génération de candidats ultérieure les réutilise, formant une trajectoire de développement cumulable.

Les indicateurs hors ligne ne décrivent que la performance sur les données passées, alors que dans l'environnement réel la distribution des tâches dérive, les contraintes de ressources changent, de nouveaux besoins affluent continuellement. En optimisant seulement dans un objectif prédéfini ou un indicateur hors ligne, le système tourne en rond sur un objectif substitut fermé ; dès que l'environnement change, les modifications non vérifiées dans le réel peuvent silencieusement éroder les capacités existantes. Le filtrage et la mémoire sont donc tout aussi cruciaux.

Passer de ce que peut faire un composant intelligent à comment le système organise le développement continu et fait face aux défis de l'environnement réel. Sans ces quatre types de mécanismes, même un agent intelligent puissant peut répéter des erreurs dans des tâches à long terme, ou détruire des capacités existantes lors des mises à jour ; une fois les quatre mécanismes formant une boucle fermée, la capacité forte peut être cumulée de manière stable.

Pistes de matériel

Le schéma peut mettre en évidence l'intégration des composants intelligents puissants dans le cadre système de développement continu, l'environnement externe formant une pression continue par la dérive des tâches, les contraintes de ressources et l'afflux de nouveaux besoins, les flèches de boucle fermée correspondant aux candidats par lots, au retour réel, aux changements filtrés et à la réutilisation sédimentée.

Erreurs courantes

Prendre une amélioration ponctuelle du score d'un benchmark pour une évolution achevée du système. L'amélioration du score indique seulement que le candidat est meilleur sur les anciennes données ; pour savoir s'il mérite d'être accepté et conservé, il faut encore la vérification par l'environnement réel et le filtrage.

Pistes d'exercices

La réponse la plus précise est d'établir un cadre d'organisation système capable de faire face aux changements environnementaux à long terme, faisant passer les candidats par la vérification réelle et les filtrant, les accumulant et les préservant. Question 2 : la vérification réelle est obligatoire, car l'optimisation hors ligne ne peut pas exposer les modes de défaillance des candidats dans l'environnement réel. Question 3 : après la vérification, le rôle central est d'accepter les changements efficaces, de rejeter les modifications qui détruisent les capacités existantes, et de préserver durablement les acquis vérifiés. Question 4 : en l'absence des quatre types de mécanismes, le risque le plus probable est de répéter des erreurs à long terme ou de détruire les capacités existantes lors des mises à jour. Question 5 : le point d'intérêt passe de ce que peut faire un composant intelligent à comment le système organise le développement continu et fait face aux défis environnementaux.

En diagnostiquant un système de traitement automatisé en environnement de production, il faut indiquer qu'il manque la génération de candidats, la vérification par l'environnement réel, le filtrage des changements et la persistance des acquis, et expliquer respectivement les conséquences : l'homogénéité des stratégies entraîne l'échec répété sur des pannes similaires, le rejeu hors ligne ne peut pas exposer les dérives de production, les mises à jour destructrices sont déployées en totalité, la non-préservation de l'expérience fait repartir les nouvelles sessions de zéro. Le plan d'amélioration peut utiliser le trafic fantôme ou un canal de déploiement progressif pour la vérification réelle, mettre en place un portail de changement, établir une bibliothèque d'expérience préservant les schémas vérifiés et leurs conditions d'application ; expliquer en même temps les compromis : le déploiement progressif et un portail strict réduisent la vitesse d'évolution et l'efficacité de mise en production, et augmentent les coûts, il faut équilibrer entre la vitesse d'exploration et la non-dégradation des capacités existantes.

Vérification de la compréhension

Mon système préserve-t-il et réutilise-t-il les acquis vérifiés ? A-t-il rejeté une modification qui aurait détruit les capacités existantes ? Si les deux réponses sont non, le système n'a pas vraiment commencé à se développer continuellement.

Indication de transition

Après avoir confirmé que les étudiants peuvent reformuler la boucle fermée en quatre étapes et sa nécessité, passer à la page suivante sur les exemples, applications ou résumé.

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

### Prise en main rapide et configuration simplifiée de l'environnement

*Page 13*

> **Objectif de la page :** Les apprenants doivent comprendre comment accéder rapidement au framework EvoX via des outils et interfaces simples.

**Points clés de l'enseignement**

- Une fois l'environnement configuré, utilisez d'abord un exemple minimal pour confirmer que la chaîne « problème → algorithme → exécution → résultat » est fluide, avant de passer à l'expérience réelle. Beaucoup de problèmes apparemment « l'algorithme ne converge pas » proviennent en réalité de dépendances manquantes ou d'un dispositif non correctement appelé.
- Après l'installation, vérifier immédiatement que les versions des dépendances correspondent au type de dispositif cible (CPU / GPU / cluster). Plus les problèmes d'environnement sont exposés tôt, plus le coût de correction est faible ; attendre une erreur en cours d'expérience longue fait perdre bien plus de temps que l'investissement initial de vérification.
- Faire en sorte que les modules algorithme et problème ne dépendent que d'interfaces standardisées, ne pas coder en dur un dispositif ou une échelle de parallélisme dans le code. Ainsi, pour passer d'une machine unique à un cluster distribué, il suffit souvent d'ajuster la configuration d'ordonnancement du Runtime, sans réécrire la logique de l'algorithme.

Objectif de la page

Comment accomplir l'installation et l'initialisation d'EvoX avec un processus minimal assisté par IA, et articuler les ressources de calcul sous-jacentes à l'environnement d'évolution via des interfaces standardisées, pour que les chercheurs reviennent au plus vite à « la conception du problème ».

Ordre de présentation

Souligner d'abord la contradiction centrale — en passant réellement à l'expérimentation, ce ne sont souvent pas les problèmes d'algorithme que l'on rencontre en premier, mais les problèmes d'environnement tels que l'installation des paquets, l'alignement des dépendances, la sélection des dispositifs et la localisation des erreurs. Puis donner le processus minimal en quatre étapes « installation → configuration → vérification → exécution », en déduire la conception découplée des interfaces standardisées, et enfin consolider par les erreurs courantes et les exercices.

Points clés de l'enseignement

Compléter l'initialisation de l'environnement, préciser si cette expérience utilise le CPU, le GPU ou un cluster ; vérification : vérifier si les dépendances sont complètes, si le dispositif de calcul cible peut être identifié et appelé ; exécution : faire tourner l'exemple minimal, confirmer que la chaîne « problème → algorithme → exécution → résultat » est complète. Les quatre étapes donnent une ligne de base fiable, les anomalies ultérieures pouvant servir de contrôle pour juger si le problème vient de l'environnement ou de la conception de l'expérience.

2. Accès minimal assisté par IA. Les outils d'IA peuvent comprimer l'installation en plusieurs étapes, le téléchargement des dépendances et les opérations de configuration de base en une ou deux instructions en langage naturel, et donner des suggestions de correction ciblées en cas de conflit de version, de dépendance manquante ou de dispositif indisponible. Sa valeur ne réside pas dans le fait de faire la recherche à la place du chercheur, mais dans la réduction du seuil d'accès au framework et la compression des coûts d'ingénierie non liés à la recherche.

3. Interfaces standardisées. Les modules algorithme, problème et flux de travail sont écrits uniquement face à une interface unifiée, que le niveau inférieur soit un GPU, un multicœur local ou un cluster distribué étant confié à l'ordonnancement du Runtime. Changer le matériel ou ajuster l'échelle de parallélisme ne nécessite généralement pas de réécrire le code de l'algorithme, le coût de couplage entre algorithme, problème et puissance de calcul diminuant considérablement.

4. Erreurs courantes. Comprendre la « configuration minimale » comme « ne pas se soucier de la couche inférieure » est le piège le plus facile à commettre. Le minimalisme consiste seulement à confier le travail répétitif à l'outil, il faut encore confirmer dans l'étape de vérification si les dispositifs et versions correspondent, si la puissance de calcul est réellement ordonnancée. Plus la configuration est simple, plus il faut prendre l'habitude de « faire d'abord tourner l'exemple minimal, puis commencer l'expérience formelle », sinon les problèmes d'environnement peuvent éclater en cours d'expérience longue, à un coût bien plus élevé que la vérification préalable.

Activité en classe

Demander aux étudiants de reformuler avec leurs propres mots le processus de cette page, et de donner un exemple de situation où « l'algorithme semble ne pas converger, mais il s'agit en fait d'une dépendance manquante ou d'un dispositif non correctement appelé », vérifiant ainsi la compréhension du rôle de l'étape de vérification.

Traitement des exercices

Les 5 questions à choix multiples de cette page portent sur la valeur des outils d'IA, l'objectif des interfaces standardisées, les points clés de l'étape de vérification, le rôle de l'exemple minimal, la stratégie de migration d'une machine unique à un cluster. Lors du traitement, demander d'abord aux étudiants de choisir la réponse, puis de justifier. Question 1, la bonne réponse est « comprimer les opérations d'installation en plusieurs étapes, de dépendances et de configuration en quelques instructions, et donner des suggestions de correction en cas d'erreur », guider les étudiants à distinguer la configuration d'ingénierie de la conception d'algorithme et de l'ordonnancement d'exécution. Question 2, la réponse est « algorithme, problème et puissance de calcul », souligner que la couche d'interface se situe entre l'environnement d'évolution et les ressources de calcul sous-jacentes. Question 3, la réponse est « si les dépendances sont complètes et les versions correspondantes, si le dispositif de calcul cible peut être identifié et appelé », rappeler que la vérification porte sur l'environnement et les ressources eux-mêmes.

Question 4, la réponse est « servir à confirmer que la chaîne de bout en bout entre installation, configuration, appel de dispositif et sortie de résultat est déjà ouverte », l'exemple minimal établit une ligne de base fiable, pas une référence de performance. Question 5, la réponse est « garder les modules algorithme et problème essentiellement inchangés, n'ajuster que l'ordonnancement et la configuration de dispositif du Runtime », car l'extension horizontale ne modifie que la configuration d'ordonnancement, sans toucher au code de l'algorithme et du problème. Féliciter en cas de bonne réponse, guider l'étudiant vers le paragraphe correspondant pour trouver les preuves en cas d'erreur.

Traitement du cas

« Mettre en ligne l'environnement expérimental EvoX en une semaine » demande de concevoir un processus de prise en main minimal et d'expliquer le rôle des outils d'IA. Il est suggéré de procéder en quatre étapes : l'installation, l'IA générant les instructions d'installation d'EvoX et des dépendances selon l'environnement de la machine et unifiant les versions ; la configuration, l'IA générant la configuration de base selon la version de Python et le type de dispositif, précisant l'utilisation d'une station de travail GPU ; la vérification que les dépendances sont complètes, les versions compatibles, le GPU identifiable et appelable ; l'exécution de l'exemple minimal pour faire tourner la chaîne de bout en bout. Le rôle des outils d'IA traverse les quatre étapes : traduire les opérations multi-étapes de consultation de documentation et de débogage une par une en quelques instructions exécutables, et donner des suggestions de correction en cas d'erreur.

Deuxième question sur la réduction du coût de couplage par les interfaces standardisées, le point clé est que l'algorithme est écrit uniquement face à une interface unifiée, le choix du GPU concret, du nombre de processus locaux ou des nœuds de cluster étant décidé par le Runtime, la migration ne modifiant généralement que l'ordonnancement et la configuration de dispositif, sans réécrire le code de l'algorithme et du problème. Avant la migration, il faut vérifier : la cohérence des versions de dépendances entre le nouvel et l'ancien environnement, l'identification et l'appel du dispositif cible, la distribution des données et la communication entre nœuds normales, et refaire tourner la chaîne de bout en bout avec l'exemple minimal dans la nouvelle topologie, tout en enregistrant les performances avant et après migration, pour éviter de prendre à tort une différence d'environnement pour une amélioration algorithmique.

Vérification de la compréhension

Demander aléatoirement à un étudiant de résumer avec ses propres mots les points clés de cette page, l'enseignant complétant les mots-clés manquants selon la réponse, comme « processus minimal en quatre étapes », « interfaces standardisées », « découplage », « ligne de base fiable », « faire d'abord tourner l'exemple minimal », etc.

Indication de transition

Après avoir confirmé que les étudiants peuvent dire « la configuration minimale n'équivaut pas à ne pas se soucier de la couche inférieure » et la relation à deux niveaux « écrire l'algorithme au-dessus de l'interface, ordonnancer la puissance de calcul en dessous de l'interface », passer à la page suivante sur les exemples, applications ou résumé.

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

### Compétences clés et transformation de la pensée du chercheur

*Page 14*

> **Objectif de la page :** Les apprenants doivent comprendre le déplacement de la responsabilité centrale du chercheur, du codage manuel vers la formulation de questions clés, dans la recherche assistée par IA.

**Points clés de l'enseignement**

- Avant chaque expérience, demandez-vous : le niveau de ce changement est-il le paramètre, le programme, la structure algorithmique ou le processus de recherche ? Si le niveau n'est pas clair, tous les résultats ultérieurs seront difficiles à expliquer.
- Indicateurs, signaux substituts, seuils d'acceptation, critères d'échec. Ne définir qu'un seul indicateur principal est le risque le plus courant : on ne sait ni « à partir de quand c'est bon », ni « à partir de quand il faut abandonner », les conclusions ne résistent naturellement pas à l'examen.
- La référence est-elle au même niveau ? Les budgets sont-ils égaux ? Les graines ont-elles été réexécutées plusieurs fois ? Les conditions de calcul sont-elles identiques ? Les tests statistiques sont-ils appropriés ? Imaginez : avec une autre graine aléatoire, votre conclusion tient-elle encore ?

> **Objectif de la page**
>
> Comprendre que dans la recherche assistée par IA, la responsabilité centrale du chercheur se déplace de « écrire l'implémentation de ses propres mains » vers « formuler les questions clés, définir les critères d'évaluation, porter un jugement critique sur les preuves ». Cette page utilise le radar de compétences et trois types de questions clés pour illustrer le point d'application concret de cette transformation de la pensée.
>
> Ordre de présentation et points clés :
>
> Auparavant, la compétence se mesurait à « pouvoir écrire l'implémentation de ses propres mains » ; aujourd'hui, le code et les scripts d'expérience peuvent être produits rapidement par l'IA, ce qui est réellement rare est de formuler les questions clés, définir les critères d'évaluation et de comparaison équitable, et porter un jugement critique sur les preuves produites par l'IA. Le radar compare « chercheur traditionnel » et « chercheur AI Native » : le premier met l'accent sur l'implémentation par le codage, le second se distingue davantage par la définition du problème, la conception de l'évaluation, la comparaison équitable, le jugement critique et le goût scientifique, en écho à « l'IA implémente les réponses, l'humain contrôle la direction ».
>
> Le coût d'implémentation étant abaissé, le rôle du chercheur se déplace de celui d'« implémenteur » vers celui de définisseur de problèmes, concepteur d'expériences et arbitre des preuves. Le définisseur de problèmes juge quelle catégorie de problèmes a une valeur scientifique ; le concepteur d'expériences transforme les idées floues en protocoles expérimentaux exécutables, reproductibles et comparables ; l'arbitre des preuves reste sceptique face aux courbes, indicateurs et conclusions, questionnant les limites de confiance et les conditions d'échec.
>
> 3. Trois types de questions clés auxquelles seul l'humain peut répondre :
>
> S'agit-il de modifier les paramètres d'optimisation, l'implémentation du programme, la structure algorithmique ou le processus de recherche lui-même ? À niveau différent, la signification des conclusions est complètement différente.
>
> Indicateurs, signaux substituts, seuils d'acceptation, critères d'échec, les quatre sont indispensables. Ne définir qu'un seul indicateur principal rend facilement incapable de savoir « à partir de quand c'est bon » et « à partir de quand il faut abandonner ».
>
> Références, budgets, aléatoire, conditions de calcul et tests statistiques sont-ils alignés. Des comparaisons non alignées prennent souvent des fluctuations aléatoires ou un avantage de puissance de calcul pour un progrès algorithmique.
>
> L'IA peut générer un grand nombre de solutions « qui tournent », mais être faisable n'équivaut pas à avoir de la valeur. Taste matters — juger parmi de nombreuses solutions faisables quel problème, quelle hypothèse, quelle preuve a réellement une valeur scientifique. Le centre de gravité des compétences passe de la vitesse de codage à la pensée critique, l'abstraction systémique, le jugement de domaine et la division du travail homme-machine.
>
> Tâches de type EvoX / MetaDE. L'IA peut générer en un jour des dizaines de variantes d'opérateurs de mutation et les scripts d'expérience associés, mais le chercheur doit décider s'il améliore l'opérateur de mutation, optimise le processus d'évaluation ou reconstruit l'espace de recherche, et définir sur cette base des indicateurs multi-objectifs et des références équitables ; sinon il n'obtient que des résultats « qui tournent », et non de la connaissance fiable.
>
> Transformation de la pensée, définisseur de problèmes, concepteur d'expériences, arbitre des preuves, objet de changement, retour d'évaluation, comparaison équitable, Taste matters, l'IA implémente les réponses/l'humain contrôle la direction.

> **Pistes de matériel**
>
> - Radar à six dimensions — implémentation par codage, définition du problème, conception de l'évaluation, comparaison équitable, jugement critique, goût scientifique
> - Sur quelles dimensions se concentrent les différences entre chercheur traditionnel et chercheur AI Native ?

**Traitement des exercices**

La bonne réponse est « passer d'"implémenteur" à "définisseur de problèmes, concepteur d'expériences et arbitre des preuves" ». Point de retour : la partie implémentation peut être largement prise en charge par l'IA, ce qui est rare est de juger quel problème mérite une réponse, quelle preuve mérite d'être crue.

S'agit-il d'optimiser les paramètres, de réécrire le programme, d'ajuster la structure algorithmique ou de reconstruire le processus de recherche ». Point de retour : demander d'abord le niveau de changement, puis discuter de la qualité du résultat ; si le niveau n'est pas clair, on ne peut pas expliquer si l'amélioration est crédible.

La bonne réponse est « indicateurs, signaux substituts, seuils d'acceptation et critères d'échec ». Point de retour : les quatre définissent respectivement le mode d'observation, le signal approximatif, le critère de passage et la condition d'échec, aucun ne peut manquer.

La bonne réponse est « références, budgets, aléatoire, conditions de calcul et tests statistiques ». Point de retour : ce sont les variables de contrôle de la comparaison équitable ; le non-alignement prend les fluctuations aléatoires ou l'avantage de puissance de calcul pour une amélioration algorithmique.

La bonne réponse est « juger s'il faut modifier tel opérateur de mutation, le processus d'évaluation ou l'espace de recherche, et définir sur cette base des indicateurs multi-objectifs et des références équitables ». Point de retour : les jugements de direction et d'évaluation incarnent le goût scientifique, permettant de transformer « qui tourne » en « connaissance fiable ».

Traitement de l'étude de cas :

Niveau des paramètres (intensité de mutation), niveau des opérateurs (remplacement de l'opérateur de mutation), niveau de la structure (reconstruction du squelette algorithmique) ou niveau du processus (processus d'évaluation et de sélection). Retour d'évaluation : indicateur principal et signaux substituts (comme l'hypervolume, le nombre d'évaluations nécessaires à la convergence), seuils d'acceptation (amplitude d'amélioration par rapport à la référence), critères d'échec (nettement inférieur à la référence ou variance trop grande, donc abandonné).

Même référence, budget d'évaluation identique ; graines aléatoires fixées et réexécutées plusieurs fois ; conditions de calcul identiques ; tests statistiques appropriés (comme le test de rang). Conséquences de la négligence : prendre les fluctuations aléatoires ou le bonus de puissance de calcul pour un progrès algorithmique, n'obtenant finalement que des résultats « qui tournent ».

**Vérification de la compréhension**

Demander aux étudiants de répondre en une phrase — « le niveau de ce changement est-il le paramètre, le programme, la structure algorithmique ou le processus de recherche ? » et d'expliquer pourquoi, si le niveau n'est pas clair, les résultats ultérieurs sont difficiles à expliquer. On peut aussi demander aux étudiants de reformuler le quatuor du retour d'évaluation et la liste d'auto-vérification de la comparaison équitable.

> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent distinguer les trois types de questions clés que sont l'objet de changement, le retour d'évaluation et la comparaison équitable, et comprendre le déplacement du rôle du chercheur, passer à la page suivante sur les exemples, applications ou le développement ultérieur de l'évolution des méthodes.

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

### Construire une infrastructure d'évolution durable

*Page 15*

> **Objectif de la page :** Les apprenants doivent comprendre le positionnement d'EvoX comme infrastructure reliant le monde réel et l'évolution à long terme.

> **Objectif de la page**
>
> Comprendre qu'EvoX n'est pas un solveur ponctuel, mais une infrastructure ouverte reliant le monde réel et l'évolution à long terme.

> **Ordre de présentation**
>
> Comparer d'abord « solveur ponctuel » et « infrastructure à long terme ». L'optimisation traditionnelle fait face à des références statiques, une exécution donnant une solution et c'est fini ; le monde réel change continuellement, les objectifs dérivent, les contraintes se mettent à jour, le coût d'évaluation est élevé et le retour retardé, il faut donc une base pouvant fonctionner à long terme, être réutilisée et étendue.
>
> Relier le monde réel, connecter l'environnement et le retour réels ; soutenir l'évolution à long terme, générer continuellement des candidats, vérifier les effets, sédimenter les améliorations ; faire face aux problèmes complexes et changeants, gérer les scénarios dynamiques, les conflits multi-objectifs et l'exploration continue ; ouverture et durabilité, porter algorithmes, problèmes, runtime et mécanismes de retour par des capacités publiques.
>
> Fonctionnement continu — vérification — préservation — nouvelle évolution. Le système génère continuellement des candidats et les déploie dans l'environnement réel, l'environnement renvoie des signaux d'évaluation, les candidats efficaces et les améliorations sont préservés et sédimentés, et lorsque les objectifs et l'environnement changent, le même socle continue d'ordonnancer de nouvelles explorations.
>
> Intégrer des simulations d'ingénierie coûteuses ou des tâches robotiques dans EvoX, recevoir continuellement les signaux d'évaluation et préserver les candidats efficaces ; algorithmes, opérateurs, runtime et mécanismes de retour n'ont pas besoin d'être reconstruits de zéro, mais s'étendent et se maintiennent comme un réseau urbain.

**Points clés de l'enseignement**

- L'accent de l'apprentissage doit porter sur les interfaces, l'ordonnancement, la boucle de retour fermée et les mécanismes de sédimentation des acquis, pas seulement sur un algorithme particulier. Si une étape manque, le système dégénère en solveur ponctuel, incapable d'accumuler des améliorations à long terme. Lorsque l'environnement ou l'objectif change, vérifier d'abord si le module de problème et le mécanisme de retour peuvent être réutilisés, puis décider s'il faut changer d'algorithme, évitant de reconstruire tout le pipeline de zéro. On peut utiliser un schéma pour souligner la relation cyclique entre l'environnement réel, l'infrastructure ouverte EvoX, l'ordonnancement des algorithmes et du runtime, et la sédimentation des améliorations à long terme.

> **Pistes d'exercices**
>
> - Les questions à choix multiples portent sur le positionnement d'infrastructure, l'ordre de la boucle fermée, la connexion au monde réel, l'avantage de réutilisation lors des changements d'environnement, les caractéristiques d'ouverture et de durabilité. En retour, saisir : le monde réel change continuellement
> - La boucle fermée commence par le fonctionnement continu
> - Il faut se connecter au retour réel plutôt que de ne faire que de la simulation
> - En cas de changement, continuer à ordonnancer et réutiliser sur le même socle
> - Les capacités publiques doivent être extensibles, réutilisables et durables. Le simulateur et la plateforme d'expérimentation robotique sont connectés comme environnement réel, générant continuellement des candidats de stratégies de contrôle, collectant les signaux d'évaluation que sont la consommation d'énergie, la précision, l'adaptabilité, préservant les améliorations efficaces, puis entrant dans un nouveau cycle d'évolution. Si l'objectif devient une optimisation multi-objectifs équilibrant précision et consommation, la couche algorithmique est remplacée par un algorithme d'évolution multi-objectifs, le module de problème modifie la fonction objectif et les contraintes, le mécanisme de retour étend les canaux d'évaluation, l'ordonnancement runtime continue de fonctionner sur le même socle.

**Vérification de la compréhension**

Demander aux étudiants d'expliquer avec leurs propres mots « pourquoi il faut une infrastructure plutôt qu'un solveur », puis de reformuler les quatre étapes de la boucle fermée. Si les étudiants peuvent dire qu'EvoX est un socle, que la boucle fermée est cumulable, et qu'en cas de changement il faut d'abord réutiliser puis remplacer l'algorithme, on peut passer à la page suivante.

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

### Résumé et perspectives : vers des formes d'intelligence de plus haut niveau

*Page 16*

> **Objectif de la page :** Les apprenants doivent revoir le mécanisme global de l'évolution des méthodes, et comprendre sa signification majeure pour faire progresser les systèmes intelligents vers l'auto-évolution.

> **Objectif de la page**
>
> Revoir le mécanisme global de l'évolution des méthodes, comprendre comment elle fait passer les systèmes intelligents de « résoudre des réponses » à « améliorer les méthodes », et progresser vers des formes d'auto-évolution de plus haut niveau.

**Points clés de l'enseignement**

- Cette page peut être saisie par une formule — « espace des solutions → espace des méthodes ». Le critère de jugement est : l'objet actuellement itéré est-il « la solution » ou « la méthode de production de la solution » ? Dès que la réponse devient le second, on entre dans l'évolution des méthodes. L'évolution interne recherche dans l'espace des solutions les solutions d'un problème donné, exploitant au maximum la méthode actuelle, produisant les solutions candidates et les résultats d'évaluation
- L'évolution externe utilise dans l'espace des méthodes le retour des tâches pour améliorer les méthodes de résolution, l'objet de recherche devenant les algorithmes, opérateurs ou structures. La direction de la boucle fermée est : le retour des tâches va du niveau interne vers le niveau externe, la mise à jour des méthodes revient du niveau externe vers le niveau interne. Ainsi, la qualité des solutions devient le signal d'évaluation du niveau externe, les méthodes améliorées retournent au niveau interne, formant une boucle fermée continue de l'espace des solutions à l'espace des méthodes. Pour que l'évolution des méthodes se réalise vraiment, il faut organiser la population, les résultats d'évaluation et l'état de l'algorithme en tenseurs calculables intégralement, et ordonnancer sur cette base la puissance de calcul hétérogène. EvoX, par le calcul tensorisé et l'architecture de socle unifié, découple « comment évoluer » de « comment ordonnancer efficacement », rendant l'évolution des méthodes et l'évolution continue au niveau du système dotées d'une base de réalisation en ingénierie, faisant passer les systèmes intelligents de « résoudre des réponses » à « améliorer les méthodes », voire à une auto-évolution de plus haut niveau. MetaDE. MetaDE résout le problème par l'évolution différentielle (DE) interne, et recherche par l'évolution externe la configuration ou la structure du DE, faisant participer « la méthode de résolution elle-même » à l'itération. Ce qu'il recherche n'est pas la solution d'un problème concret, mais le mécanisme de production des solutions, ce qui est précisément l'expression intuitive du passage de l'espace des solutions à l'espace des méthodes. La forme d'intelligence de plus haut niveau n'est pas d'obtenir une solution optimale en une fois, mais de pouvoir produire continuellement des méthodes plus fortes et des capacités système plus fortes. La clé de l'étape suivante est de rendre la boucle fermée interne-externe plus stable, plus transférable, et de soutenir sur des socles comme EvoX le paradigme de recherche AI Native. Erreurs courantes : Le niveau interne recherche « la solution d'un problème donné », le niveau externe recherche « l'algorithme, l'opérateur ou la structure ». La direction du retour des tâches est interne→externe, la direction de la mise à jour des méthodes est externe→interne. Ne pas confondre l'évolution des méthodes avec le réglage ordinaire des paramètres. Si le système ne fait que chercher une meilleure solution dans un espace de solutions fixe, sans changer la méthode de résolution elle-même, il ne relève pas de l'évolution des méthodes. En cas de doute sur le fait qu'un système relève de l'évolution des méthodes, regardez s'il recherche aussi « la méthode de production des solutions ». Si oui, il fait de l'évolution des méthodes
- Sinon, ce n'est qu'un réglage ordinaire des paramètres.

> **Pistes d'exercices**
>
> - Faire de la méthode de résolution elle-même (algorithme, opérateur, structure ou stratégie) un objet itéré et amélioré. En cas de mauvais choix, distinguer « chercher une meilleure solution dans l'espace des solutions » et « faire participer la méthode elle-même à l'itération ». Le niveau interne recherche les solutions dans l'espace des solutions, le niveau externe utilise le retour des tâches pour améliorer les méthodes de résolution, c'est-à-dire l'espace des méthodes. La direction du retour est interne→externe, la direction de la mise à jour est externe→interne. Fournir le calcul tensorisé et un socle unifié, rendant l'évolution des méthodes et l'évolution continue au niveau du système dotées d'une base de réalisation en ingénierie
> - La clé est d'organiser population, évaluation et état en tenseurs calculables intégralement, et de découpler « comment évoluer » et « comment ordonnancer ». Rechercher par l'évolution externe la configuration ou la structure du DE, faisant participer la méthode de résolution elle-même à l'itération, donc incarnant le franchissement de l'espace des solutions à l'espace des méthodes. Il faut décrire comme la production continue de méthodes plus fortes et de capacités système plus fortes, et non la poursuite d'une solution optimale ponctuelle. En cas de bonne réponse, souligner la capacité à relier les concepts de cette page et à justifier
> - En cas de réponse incorrecte, revenir à la présentation de la page, trouver les preuves clés ou les exemples avant de juger. Construire un système d'optimisation « capable de s'auto-améliorer » pour un problème de planification de production. Le niveau interne utilise le DE pour rechercher les schémas de planification, le niveau externe prend le retour des tâches comme signal pour rechercher la configuration d'opérateurs, les paramètres et la structure du DE. Le rôle du retour des tâches est de traduire la performance de l'espace des solutions en direction d'amélioration de l'espace des méthodes : si la qualité des solutions s'améliore, préserver et renforcer la configuration de méthode actuelle
> - Si la qualité des solutions stagne ou se dégrade, explorer de nouvelles combinaisons d'opérateurs ou ajustements de structure. Pour évaluer si l'on progresse vers une auto-évolution de plus haut niveau, on peut définir trois types d'indicateurs : les indicateurs du niveau de la méthode pour voir si la méthode est continuellement améliorée
> - Les indicateurs de transférabilité pour voir la performance d'adaptation sur des tâches non vues
> - Les indicateurs d'autonomie pour voir si, avec une faible intervention humaine, le système peut découvrir lui-même des combinaisons d'opérateurs efficaces ou des ajustements de structure, et si le processus est reproductible. En combinant les trois, si la méthode devient continuellement plus forte, transférable et capable de s'auto-améliorer avec une faible intervention, on peut juger que le système progresse vers une forme d'auto-évolution de plus haut niveau.

**Vérification de la compréhension**

Demander aux étudiants de reformuler avec leurs propres mots la signification de « espace des solutions → espace des méthodes », et de choisir un système pour juger s'il fait de l'évolution des méthodes.

> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent expliquer clairement la division interne-externe, la direction de la boucle fermée et la signification comparative de MetaDE, passer à la page suivante sur les exemples, applications ou résumé.

--- FIN DU TEXTE SOURCE ---