MetaDE et AutoPSO : une architecture bi-niveau pour l'évolution de méthodes

Évolution de méthodes(méta-évolution) élève la « méthode qui produit les candidats » au rang d'objet à optimiser : l'algorithme ne se contente plus de chercher des solutions, il améliore aussi « sa façon de chercher des solutions ».MetaDE et AutoPSO sont deux concrétisations représentatives de cette idée, partageant un même squelette —l'architecture bi-niveau interne/externe: la boucle externe explorel'espace des algorithmes, tandis que la boucle interne résout avec l'algorithme candidatla tâche cible; la performance interne est renvoyée comme signal de fitness à la boucle externe, ce qui pousse l'algorithme à s'améliorer en continu, formant ainsi une boucle fermée.

L'abstraction générique de l'architecture bi-niveau

• Boucle externe (exploration de l'espace des algorithmes): elle explore les hyperparamètres, les stratégies et les combinaisons de composants, c'est-à-dire la « définition de l'algorithme ». Son espace de recherche n'est pas l'espace des solutions, mais celui des configurations et structures d'algorithmes.
• Boucle interne (résolution de la tâche cible): elle utilise réellement l'algorithme candidat transmis par la boucle externe pour résoudre la tâche, obtenant une performance mesurable qui sert de base d'évaluation à ce candidat.
• Boucle de signal: la performance interne est agrégée en fitness et renvoyée à la boucle externe, qui élimine alors les configurations médiocres, conserve et fait muter les bonnes. Dès que la boucle fermée est établie, la résolution et l'amélioration de la méthode de résolution se produisent simultanément.

MetaDE : confier la configuration de DE à l'évolution externe

MetaDE conserve l'évolution différentielle comme solveur interne et confie la configuration de DE elle-même à la recherche externe : le choix de la stratégie de mutation, le taux de croisement, le facteur d'échelle, etc. ne sont plus des constantes fixes, mais des objets évolutifs qui s'adaptent selon le problème et l'étape d'optimisation. Il répond à la question « comment régler cette configuration à l'étape actuelle de la tâche », relevant de l'évolution de méthodes au niveau de la configuration.

AutoPSO : du réglage des paramètres à la modification de la structure de l'algorithme

AutoPSO considère les paramètres clés et les mécanismes d'apprentissage du PSO comme descomposants combinables— les différentes combinaisons de poids d'inertie, de facteurs d'apprentissage et de mécanismes d'apprentissage individuel et collectif sont automatiquement recherchées et assemblées par la boucle externe pour produire des variantes PSO adaptées à différents problèmes. Par rapport au simple réglage de paramètres, cela transforme le « choix d'algorithme » en « recherche de structure d'algorithme », réalisant le passage de l'adaptation des paramètres à l'auto-génération des mécanismes. Les deux sont complémentaires : MetaDE privilégie le réglage automatique au niveau configuration et hyperparamètres, tandis qu'AutoPSO privilégie la combinaison automatique au niveau structure et composants, couvrant ensemble le spectre évolutif allant de l'adaptation des paramètres à l'auto-génération des mécanismes.

Structure des coûts et dépendances d'ingénierie

Le coût clé de l'optimisation bi-niveau réside dans l'effet multiplicateur : chaque évaluation externe d'un algorithme candidat nécessite souvent plusieurs exécutions internes (évaluations répétées dues à l'aléatoire, validation conjointe multi-tâches, etc.), amplifiant considérablement le budget de calcul. Il faut donc recourir àl'allocation du budget,l'évaluation approximative,l'arrêt précoceoula parallélisationet autres compromis. Sur le plan technique, une exécution efficace repose sur la parallélisation tensorisée, l'ordonnancement du Runtime et la composabilité des algorithmes ; sinon, la taille de la recherche externe est écrasée par les évaluations internes répétées.