MetaDE: Meningkatkan Algoritma Evolusi dengan Algoritma Evolusi

Halaman sebelumnya menganggapalgoritma evolusisebagai alat untuk menyelesaikan masalah: populasi mencari di ruang solusi, dan nilai kebugaran mengukur baik buruknya kandidat solusi. MetaDE mendorong hubungan ini selangkah lebih tinggi—ia menjadikanalgoritma evolusi itu sendirisebagai objek evolusi, menggunakan lapisan evolusi luar untuk mencari "bagaimana evolusi diferensial lapisan dalam seharusnya berjalan". Dengan demikian, tujuan optimasi meluas dari "mencari solusi masalah" menjadi "memperbaiki metode penyelesaian".

Struktur dua lapis: evolusi konfigurasi dan penyelesaian tugas

Lapisan dalam (ruang solusi): menjalankan evolusi diferensial di bawah strategi mutasi dan parameter kunci tertentu (seperti faktor skala, laju persilangan, ukuran populasi), menyelesaikan fungsi tolok ukur atau tugas optimasi teknik, dan menghasilkan kinerja tugas sebagai kebugaran.
Lapisan luar (ruang konfigurasi algoritma): setiap individu mengodekan satu set konfigurasi algoritma; kebugarannya tidak dihitung sendiri, melainkan ditentukan oleh kinerja yang dikirim balik oleh lapisan dalam setelah menyelesaikan tugas dengan konfigurasi tersebut. Berdasarkan hal ini, lapisan luar melakukan seleksi, rekombinasi, dan mutasi, menghasilkan perilaku algoritma yang lebih sesuai dengan tugas saat ini.
Siklus tertutup: pembangkitan konfigurasi → penyelesaian tugas → umpan balik kinerja → pembaruan konfigurasi, empat langkah berulang, membuat algoritma meningkat secara adaptif sesuai tugas, bukan bergantung pada parameter yang ditetapkan secara manual di muka.

Perbedaan kunci: ruang konfigurasi ≠ ruang solusi

Lapisan dalam mencari "jawaban masalah", lapisan luar mencari "algoritma yang lebih pandai menemukan jawaban". Keduanya memang saling digabungkan—baik buruknya lapisan luar harus diukur dengan menjalankan lapisan dalam secara nyata—tetapi objek pencarian, cara pengodean, dan tolok ukur penilaiannya berbeda. Melihat hal ini dengan jelas berarti Anda telah menangkap kerangka umum meta-optimasi:Jadikan pencarian itu sendiri sebagai objek yang dicari.

Perspektif meta-optimasi

Pendekatan tradisional mengandalkan pengalaman untuk menetapkan parameter evolusi diferensial secara manual; MetaDE menyerahkan langkah ini kepada pencarian. Konsekuensinya muncul: setiap kali lapisan luar mengevaluasi satu konfigurasi, penyelesaian lapisan dalam harus dijalankan secara penuh satu kali, sehingga anggaran komputasi meningkat berlipat ganda. Karena itu, granularitas ruang konfigurasi dan anggaran evaluasi perlu dipertimbangkan dengan hati-hati.

Diagram prinsip kerja arsitektur evolusi dua lapis luar-dalam MetaDE

Amati diagram prinsip kerja arsitektur evolusi dua lapis luar-dalam MetaDE pada gambar, lalu pikirkan apa hubungannya dengan "MetaDE mengorganisasi evolusi diferensial menjadi struktur dua lapis luar-dalam".

Pertanyaan 1

MetaDE memperluas objek optimasi dari "kandidat solusi masalah" menjadi apa?

Skema penjadwalan daya komputasi perangkat keras

Distribusi pengambilan sampel data pelatihan

Himpunan kandidat solusi masalah

Strategi mutasi dan konfigurasi parameter kunci dari algoritma evolusi itu sendiri

Pertanyaan 2

Dalam struktur dua lapis MetaDE, lapisan mana yang bertanggung jawab menyelesaikan tugas nyata?

Lapisan luar, karena langsung menghitung kebugaran tugas

Kedua lapisan langsung mencari kandidat solusi pada tugas

Lapisan dalam, karena menjalankan evolusi diferensial untuk menyelesaikan tugas di bawah konfigurasi tertentu

Keduanya tidak bertanggung jawab, penyelesaian tugas dilakukan oleh modul eksternal

Pertanyaan 3

Informasi utama apa yang dikembalikan algoritma lapisan dalam kepada lapisan luar untuk memandu evolusi konfigurasi?

Daftar nama strategi mutasi

Urutan gen individu populasi

Kinerja tugas, misalnya indikator kinerja seperti kebugaran

Benih angka acak

Pertanyaan 4

Mengenai "ruang konfigurasi" dan "ruang solusi", pernyataan berikut yang benar adalah?

Lapisan luar langsung mencari kandidat solusi di ruang solusi

Lapisan dalam mencari solusi di ruang solusi, lapisan luar mencari konfigurasi algoritma di ruang konfigurasi

Keduanya adalah ruang yang sama, hanya sebutannya berbeda

Ruang konfigurasi dan ruang solusi sepenuhnya independen dan tidak saling memengaruhi

Pertanyaan 5

Bagaimana urutan proses berjalannya siklus tertutup MetaDE?

Pembangkitan konfigurasi → Penyelesaian tugas → Umpan balik kinerja → Pembaruan konfigurasi

Penyelesaian tugas → Pembangkitan konfigurasi → Umpan balik kinerja → Pembaruan konfigurasi

Umpan balik kinerja → Pembangkitan konfigurasi → Penyelesaian tugas → Pembaruan konfigurasi

Pembaruan konfigurasi → Umpan balik kinerja → Pembangkitan konfigurasi → Penyelesaian tugas

Kasus: Konfigurasi adaptif evolusi diferensial untuk tugas teknik tertentu

Baca skenario dan jawab pertanyaannya.

Sebuah tim teknik perlu menerapkan pemecah evolusi diferensial untuk tugas optimasi parameter struktur. Dulu mereka mengandalkan pengalaman untuk menetapkan parameter, tetapi saat menghadapi tugas baru, penyetelan parameter secara manual berulang kali memakan waktu dan hasilnya tidak stabil. Tim memutuskan untuk mengadopsi MetaDE: menyerahkan strategi mutasi dan parameter kunci kepada evolusi lapisan luar, lapisan dalam menyelesaikan tugas secara nyata dengan konfigurasi kandidat, dan kinerja tugas mendorong pembaruan lapisan luar.

1. Dalam skenario ini, konten apa yang biasanya perlu dikodekan oleh individu lapisan luar? Bagaimana lapisan luar memperoleh dasar untuk menilai baik buruknya suatu konfigurasi?

Jawaban:
Individu lapisan luar mengodekan satu set konfigurasi algoritma, biasanya mencakup: jenis strategi mutasi (seperti DE/rand/1/bin, DE/best/1/bin, dsb.), serta parameter kendali kunci seperti faktor skala F, laju persilangan CR, dan ukuran populasi NP, dapat menggunakan pengodean campuran vektor bilangan real dan opsi diskret. Lapisan luar tidak dapat membuktikan sendiri baik buruknya konfigurasi; kebugarannya berasal dari lapisan dalam: jalankan evolusi diferensial secara penuh satu kali dengan konfigurasi tersebut pada tugas optimasi struktur target, ambil indikator kinerja seperti akurasi konvergensi, jumlah evaluasi fungsi yang dibutuhkan, atau waktu sebagai umpan balik; untuk mengurangi derau akibat keacakan lapisan dalam, dapat menjalankan berulang kali dan mengambil rata-rata sebagai kebugaran individu tersebut.

2. Untuk memverifikasi bahwa MetaDE benar-benar memberikan keunggulan dibandingkan parameter berbasis pengalaman manual, bagaimana merancang eksperimen kontrol? Sekaligus, biaya dan risiko apa yang harus dipertimbangkan?

Jawaban:
Poin desain kontrol: pertahankan variabel terkendali, tugas yang sama, anggaran evaluasi yang sama (misalnya batas atas jumlah evaluasi fungsi yang sama), populasi awal yang sama, dan himpunan benih acak yang sama; kelompok kontrol menggunakan konfigurasi DE klasik dengan parameter berbasis pengalaman (seperti DE/rand/1/bin dengan F dan CR tetap); kelompok eksperimen menggunakan konfigurasi hasil evolusi MetaDE; kedua kelompok masing-masing dijalankan berulang kali secara independen, bandingkan kualitas solusi akhir dan kurva konvergensi, serta lakukan uji statistik untuk menyingkirkan kebetulan. Biaya dan risiko: setiap kali lapisan luar mengevaluasi satu konfigurasi, penyelesaian lapisan dalam harus dijalankan penuh satu kali, anggaran komputasi meningkat berlipat ganda; konfigurasi hasil evolusi mungkin terlalu menyesuaikan diri (overfitting) pada tugas saat ini, dan keunggulannya bisa hilang setelah berganti tugas; derau kinerja lapisan dalam dapat menyesatkan pilihan lapisan luar, menyebabkan salah memilih konfigurasi, sehingga diperlukan jumlah pengulangan yang cukup dan tolok ukur penilaian yang kokoh.