Le processus d'optimisation classique concentre toute son attention sur l'espace des solutions : on fixe une configuration d'évolution différentielle (DE) — stratégie de mutation, taux de croisement CR, facteur d'échelle F, taille de population NP — puis on itère pour approcher la solution optimale du problème. Mais une question reste en suspens :qui a choisi cette configuration au départ ?La réponse de MetaDE consiste à traiter la « méthode qui génère les solutions candidates » comme un objet à faire évoluer : on enveloppe le tout dans une couche externe d'algorithme évolutionnaire, dédiée à la recherche de meilleures configurations d'algorithme, formant ainsi une boucle d'optimisation bi-niveau où « un algorithme évolutionnaire améliore un algorithme évolutionnaire ».
Couche interne et couche externe : comment répartir les responsabilités
- Couche interne: reçoit un ensemble concret de configurations DE, effectue une résolution complète sur une tâche réelle, produit des solutions candidates et renvoie une évaluation de performance comparable.
- Couche externe: encode les configurations, hyperparamètres ou combinaisons de stratégies DE sous forme d'individus, utilise la performance sur la tâche comme fitness et met à jour la génération suivante de configurations via un algorithme évolutionnaire (sélection, recombinaison, mutation).
Déplacement de l'objectif : de « trouver une solution » à « trouver une méthode qui sait trouver des solutions »
MetaDE ne modifie pas l'implémentation de l'optimiseur, mais le niveau cible de l'optimisation. La DE traditionnelle produit un vecteur de solution ; MetaDE produit un ensemble de configurations d'algorithme capables de générer de manière stable de meilleures solutions sur ce type de tâches. Autrement dit, l'objet de la recherche passe de la « réponse » à la « machine qui produit des réponses ». Cela permet de transférer et de réutiliser le fruit d'une recherche externe sur d'autres instances de la même famille.
Boucle de rétroaction et prérequis techniques
L'ensemble du système repose sur une boucle fermée : la couche externe envoie la configuration → la couche interne exécute la résolution → la performance est renvoyée → la couche externe met à jour la génération suivante en conséquence. À noter : pour qu'un individu de la couche externe obtienne une fitness, il faut payer le prix d'une exécution complète (souvent plusieurs en parallèle) de la couche interne, ce qui fait de la gestion du coût d'évaluation et de l' ordonnancement parallèle un élément central de la conception du système. C'est précisément la capacité du GPU à exécuter simultanément un grand nombre de tâches de la couche interne qui rend cette méta-optimisation « coûteuse en évaluation » techniquement viable.
Architecture d'optimisation bi-niveau de MetaDECe schéma d'architecture se divise en deux couches : la couche externe encode sous forme d'individus la stratégie de mutation, le taux de croisement, le facteur d'échelle et la taille de population de l'évolution différentielle, et les met à jour via un algorithme évolutionnaire ; la couche interne utilise cette configuration pour résoudre complètement des tâches réelles, puis renvoie la performance sur la tâche comme fitness à la couche externe, formant une boucle d'optimisation au coût d'évaluation élevé.
