MetaDE: Arsitektur Bersarang Algoritma yang Mengoptimalkan Algoritma

Pada pertemuan sebelumnya, sistem evolusi terus mengakumulasi kemampuan melalui siklus tertutup "menghasilkan—mengevaluasi—memilih—mewarisi". Pertemuan ini mendorong gagasan tersebut satu lapis lebih dalam: bukan sekadar membuat algoritma menyelesaikan soal, melainkan membuat algoritma memperbaiki algoritma.MetaDE adalah arsitektur evolusi bersarang semacam ini—ia memecah Differential Evolution (DE) menjadi dua lapisan dalam dan luar, sehingga "algoritma mengoptimalkan algoritma" menjadi proses komputasi yang dapat dijalankan.

I. Pembagian Tugas Dua Lapisan: Siapa yang Menyelesaikan, Siapa yang Berevolusi

MetaDE mengorganisasi DE menjadi dua lapisan dalam dan luar, dengan objek kerja kedua lapisan yang sepenuhnya berbeda:

DE Lapisan Dalam (lapisan tugas): berorientasi pada tugas optimasi nyata, memelihara populasi solusi kandidat, berulang kali menjalankan mutasi, persilangan, dan seleksi, serta secara bertahap mendekati solusi berkualitas pada tugas tersebut. Ia menjawab "seberapa baik soal ini diselesaikan".
DE Lapisan Luar (lapisan meta): berorientasi pada algoritma itu sendiri, setiap individu dalam populasi bukanlah solusi tugas, melainkan satu set konfigurasi "strategi mutasi + parameter", misalnya metode mutasi apa yang digunakan, nilai faktor penskalaan dan probabilitas persilangan yang diambil. Ia menjawab "apakah konfigurasi algoritma ini berguna".

Oleh karena itu lapisan luar tidak secara langsung mengoptimalkan variabel tugas, variabel tugas selalu ditangani oleh lapisan dalam; lapisan luar hanya mengubah "buku panduan kerja" lapisan dalam.

II. Loop Tertutup Interaktif: Pengiriman Konfigurasi dan Pengembalian Kinerja

Kedua lapisan dikopel oleh satu saluran dua arah, membentuk loop tertutup: lapisan luar terlebih dahulu menghasilkan satu set konfigurasi algoritma, lalu mengirimkannya (→) ke lapisan dalam; lapisan dalam berjalan pada tugas sesuai konfigurasi tersebut, dan setelah selesai mengembalikan kinerja tugas (→) ke lapisan luar; berdasarkan itu, lapisan luar mempertahankan dan merekombinasi konfigurasi yang berkinerja lebih baik, lalu menghasilkan konfigurasi putaran berikutnya. Seluruh alur dapat diringkas menjadi: konfigurasi lapisan luar → penyelesaian lapisan dalam → kinerja tugas → pembaruan lapisan luar, berulang terus-menerus.

Loop tertutup ini menghadirkan sifat kunci: strategi mutasi dan parameter algoritma lapisan dalam tidak lagi ditetapkan sekali oleh manusia lalu tetap konstan, melainkan terus ditulis ulang seiring pencarian lapisan luar, sehingga algoritma memperoleh saluran untuk memperbaiki diri sendiri.

III. Prasyarat Kelayakan Eksekusi: Paralelisme dan Pertukaran Biaya

Struktur bersarang bukannya tanpa biaya. Setiap evaluasi lapisan luar mengharuskan satu set konfigurasi dijalankan sepenuhnya pada tugas, sehingga biaya evaluasi jelas terlipatgandakan; semakin besar populasi lapisan luar, semakin tinggi total biayanya. Inilah alasan MetaDE bergantung pada paralelisme GPU: beberapa set konfigurasi lapisan dalam dapat dievaluasi secara bersamaan, waktu yang dibutuhkan untuk satu iterasi lapisan luar terkompresi secara signifikan, sehingga evolusi meta bersarang baru memiliki kelayakan rekayasa. Sebaliknya, jika sumber daya paralel yang tersedia tidak mencukupi, memperkecil skala lapisan luar atau menurunkan presisi evaluasi lapisan dalam seringkali lebih realistis daripada memperluas pencarian secara membabi buta.

Kesalahpahaman umum

Menyamakan MetaDE dengan "penyetelan parameter manual" tidaklah tepat. Penyetelan manual adalah uji coba sekali jalan oleh manusia di luar loop, sedangkan MetaDE memasukkan konfigurasi itu sendiri ke dalam loop evolusi: konfigurasi akan berulang kali dihasilkan, dievaluasi, dan direkombinasi, serta objek pencariannya adalah kombinasi "strategi mutasi + parameter", bukan hanya beberapa nilai numerik.

Arsitektur Evolusi Bersarang MetaDE

Diagram ini menampilkan struktur dua lapisan dalam dan luar MetaDE: individu dalam populasi lapisan meta luar adalah satu set lengkap strategi mutasi dan konfigurasi parameter, yang bertanggung jawab mengevolusikan konfigurasi algoritma; lapisan tugas dalam memelihara populasi solusi kandidat sesuai konfigurasi yang dikirim lapisan luar dan menyelesaikan tugas optimasi nyata. Kedua lapisan dikopel melalui saluran dua arah, lapisan luar mengirimkan konfigurasi, lapisan dalam mengembalikan kinerja tugas, dan berdasarkan itu lapisan luar mempertahankan serta merekombinasi konfigurasi yang lebih baik, membentuk loop tertutup perbaikan diri algoritma.

Soal 1

Dalam struktur bersarang MetaDE, apa tanggung jawab langsung DE lapisan dalam?

Mengiterasi solusi kandidat pada tugas optimasi tertentu dan memberikan kinerja tugas

Mengevolusikan strategi mutasi dan parameter yang digunakan algoritma lapisan dalam

Menentukan ukuran populasi lapisan luar dan jumlah perangkat paralel yang tersedia

Melakukan evaluasi kualitas terhadap proses pencarian lapisan luar

Soal 2

Apa yang diwakili setiap individu dalam populasi DE lapisan luar?

Satu fungsi tujuan yang tetap tidak berubah

Satu set konfigurasi strategi mutasi dan parameter DE lapisan dalam

Catatan waktu yang dihabiskan untuk satu evaluasi tugas lapisan dalam

Satu solusi kandidat tugas yang akan diselesaikan

Soal 3

Dalam loop tertutup interaktif dua lapisan dalam dan luar, apa informasi kunci yang dikembalikan dari lapisan dalam ke lapisan luar?

Pengaturan probabilitas persilangan populasi lapisan luar

Nilai awal konfigurasi algoritma lapisan dalam

Umpan balik kinerja yang diperoleh setelah lapisan dalam berjalan pada tugas

Kondisi penggunaan memori GPU perangkat paralel

Soal 4

Mengapa paralelisme GPU sangat krusial bagi penerapan rekayasa MetaDE?

Karena hanya GPU yang dapat menjalankan mutasi dan seleksi Differential Evolution

Karena evaluasi bersarang melipatgandakan beban komputasi, dan paralelisme dapat memampatkan biaya waktu pencarian lapisan meta

Karena paralelisme menjamin lapisan luar pasti menemukan konfigurasi optimal global

Karena paralelisme dapat menghilangkan kebutuhan akan evaluasi konfigurasi lapisan dalam

Soal 5

Pernyataan manakah berikut yang secara akurat menggambarkan perbedaan MetaDE dengan "penyetelan parameter manual" atau pencarian grid sekali jalan?

Keduanya sepenuhnya setara, hanya berbeda penamaan

MetaDE mengoptimalkan variabel tugas secara langsung di lapisan luar, lapisan dalam hanya bertugas mencatat hasil

MetaDE hanya mencari parameter numerik, tidak menyentuh strategi mutasi

MetaDE memasukkan konfigurasi algoritma ke dalam loop evolusi, konfigurasi akan terus dihasilkan, dievaluasi, dan direkombinasi

Kasus: Mengevolusikan Pemecah Masalah Lapisan Dalam dengan MetaDE

Bacalah skenario berikut, lalu jawab dua pertanyaan di bawah ini.

Sebuah tim ingin mencari solusi berkualitas tinggi untuk tugas optimasi rute logistik. Mereka tidak lagi menetapkan strategi mutasi dan parameter Differential Evolution secara manual, melainkan menggunakan MetaDE: DE lapisan luar memelihara beberapa set konfigurasi "strategi mutasi + parameter", DE lapisan dalam berjalan pada tugas sesuai konfigurasi yang dialokasikan, dan mengembalikan kualitas rute serta waktu yang dihabiskan. Tim hanya memiliki satu server GPU dengan 8 kartu, dan anggaran untuk satu evaluasi lengkap terbatas.

1. Tunjukkan dalam skenario ini, apa saja yang termasuk ruang pencarian lapisan luar dan apa saja yang termasuk proses penyelesaian lapisan dalam; serta jelaskan nilai dari memasukkan strategi mutasi ke dalam evolusi lapisan luar, bukan menetapkannya secara manual.

Jawaban:
Ruang pencarian lapisan luar adalah "himpunan konfigurasi algoritma", yaitu strategi mutasi mana yang digunakan beserta nilai parameter terkaitnya (seperti faktor penskalaan, probabilitas persilangan), dan lapisan luar melakukan seleksi serta rekombinasi seputar konfigurasi tersebut. Proses penyelesaian lapisan dalam adalah memelihara solusi kandidat pada tugas optimasi rute yang tetap, berulang kali menjalankan mutasi, persilangan, dan seleksi, serta mengeluarkan kinerja tugas seperti kualitas solusi. Nilai dari memasukkan strategi mutasi ke dalam evolusi lapisan luar adalah: objek pencarian meluas dari "beberapa nilai numerik" menjadi "kombinasi strategi dan parameter". Ketika struktur tugas berbeda, atau ketika pencarian berada pada tahap yang berbeda (fase awal lebih membutuhkan eksplorasi, fase akhir lebih membutuhkan konvergensi), strategi yang tepat itu sendiri akan berubah, dan dengan menyerahkannya pada evolusi lapisan luar, pergantian strategi tersebut dapat terjadi secara otomatis, menghindari hasil suboptimal dan uji coba berulang akibat manusia menetapkan satu strategi tetap untuk jangka panjang.

2. Evaluasi bersarang akan menaikkan total waktu secara signifikan. Dengan menggabungkan paralelisme GPU dan pengendalian anggaran evaluasi, berikan langkah konkret agar arsitektur ini dapat diterapkan, serta jelaskan pertukaran (trade-off) di dalamnya.

Jawaban:
Langkah konkret: (1) Evaluasi batch paralel—alokasikan beberapa set konfigurasi dari satu batch lapisan luar secara bersamaan ke beberapa GPU untuk menjalankan DE lapisan dalam, sehingga waktu wall-clock satu iterasi lapisan luar berubah dari "akumulasi serial" menjadi "pengambilan nilai maksimum paralel", secara signifikan memampatkan waktu pencarian lapisan meta; (2) Evaluasi bertingkat—lapisan dalam terlebih dahulu melakukan evaluasi cepat dengan ukuran populasi lebih kecil atau iterasi lebih sedikit, dan hanya melakukan evaluasi lengkap pada segelintir konfigurasi yang menonjol, membentuk penyaringan dua tingkat dari kasar ke halus; (3) Membatasi ruang pencarian—membatasi ukuran populasi dan jumlah iterasi lapisan luar, serta menyimpan dan menggunakan kembali konfigurasi yang sudah dievaluasi untuk menghindari perhitungan berulang. Pertukaran: semakin kasar evaluasi lapisan dalam, semakin besar noise umpan balik kinerja yang dikembalikan, dan lapisan luar mungkin memilih konfigurasi yang "menang secara kebetulan"; semakin tinggi tingkat paralelisme, semakin besar beban memori GPU dan penjadwalan, dan paralelisme mempersingkat waktu wall-clock bukan total beban komputasi. Oleh karena itu perlu mencapai keseimbangan antara presisi evaluasi lapisan dalam, keluasan pencarian lapisan luar, dan anggaran perangkat keras, bukan sekadar memperluas pencarian.