Evolusi Dua Lapis Dalam-Luar dan Mekanisme Adaptif

Evolusi dua lapis dalam-luarmemisahkan “menyelesaikan tugas konkret” dan “memperbaiki metode penyelesaian” menjadi dua siklus evolusi yang saling berinteraksi:Lapisan dalamberorientasi pada penyelesaian tugas dan menghasilkan kinerja operasional,Lapisan luarberdasarkan kinerja tersebut mengevolusikan konfigurasi dan strategi algoritma lapisan dalam, sehingga terbentuk mekanisme perbaikan algoritma yang adaptif. Ini bukan sekadar menggabungkan dua algoritma secara berurutan, melainkan menambahkan kendali meta-layer yang dapat berevolusi di atas lapisan penyelesaian tugas, sehingga sistem beralih dari “penetapan algoritma secara manual” menuju “algoritma yang menyesuaikan diri secara otomatis dengan tugas”.

Pembagian Tugas Lapisan Dalam dan Lapisan Luar

Tugas lapisan dalam: menyelesaikan tugas nyata, menghasilkan kandidat solusi, nilai tujuan, dan data kinerja operasional. Lapisan ini bertanggung jawab untuk “menyelesaikan soal”.
Tugas lapisan luar: tidak menyelesaikan tugas asli secara langsung, melainkan mengevolusikan konfigurasi, strategi, dan parameter algoritma lapisan dalam. Lapisan ini bertanggung jawab untuk “memperbaiki cara mengerjakan soal”.
Lingkaran umpan balik: hasil evaluasi tugas lapisan dalam diagregasi menjadi sinyal fitness lapisan luar, yang digunakan untuk menyeleksi, memutasi, dan memperbarui konfigurasi lapisan dalam yang lebih baik.
Mekanisme adaptif: lapisan luar terus menyesuaikan strategi lapisan dalam berdasarkan perubahan tugas dan lingkungan.
Dukungan paralel: GPU dapat menjalankan banyak tugas lapisan dalam secara paralel, memberikan umpan balik statistik yang lebih memadai bagi evolusi lapisan luar dan mengurangi biaya waktu tunggu pencarian.

MetaDE: Memperbaiki Evolusi dengan Evolusi

Dengan MetaDE sebagai contoh, DE lapisan dalam bertanggung jawab atas tugas optimasi konkret, sementara algoritma evolusi lapisan luar memilih dan menyesuaikan konfigurasi serta strategi DE berdasarkan kinerja operasional lapisan dalam; hasil dari banyak tugas lapisan dalam memandu pemilihan konfigurasi lapisan luar secara balik, membentuk lingkaran ganda “memperbaiki evolusi dengan evolusi”.

Perbedaan kunci

Lapisan dalam menghasilkan “solusi”, sedangkan lapisan luar menghasilkan “metode yang lebih baik untuk menghasilkan solusi”. Fitness lapisan luar bukanlah nilai optimal dari tugas asli itu sendiri, melainkan penilaian terhadap kinerja konfigurasi lapisan dalam pada tugas-tugas batch.

Tujuan pembelajaran

Menguasai hubungan kerja sama antara penyelesaian tugas lapisan dalam dan optimasi strategi lapisan luar, memahami bahwa evolusi metode adalah penambahan kendali meta-layer yang dapat berevolusi di atas lapisan dalam, serta mampu menjelaskan bagaimana paralelisme GPU memberikan umpan balik statistik yang lebih andal bagi lapisan luar.

Interaksi Arsitektur Evolusi Dua Lapis Dalam-Luar

Diagram ini menggunakan dua siklus, yaitu lapisan dalam dan lapisan luar, untuk menunjukkan pembagian tugas: lapisan dalam menyelesaikan tugas nyata dan menghasilkan kandidat solusi serta kinerja operasional, sedangkan lapisan luar mengagregasi kinerja tersebut menjadi fitness, lalu menyeleksi, memutasi, dan memperbarui konfigurasi serta strategi algoritma lapisan dalam. Paralelisme GPU menjalankan banyak tugas lapisan dalam, memberikan umpan balik statistik yang lebih memadai bagi lapisan luar, dan membentuk lingkaran ganda “memperbaiki evolusi dengan evolusi”.

Soal 1

Dalam evolusi dua lapis dalam-luar, apa tanggung jawab utama algoritma lapisan dalam?

Hanya bertanggung jawab mengalokasikan memori GPU ke lapisan luar

Secara langsung mengevolusikan konfigurasi dan strategi algoritma lapisan dalam

Menyelesaikan tugas nyata, menghasilkan kandidat solusi, nilai tujuan, dan data kinerja operasional

Menggantikan fungsi fitness lapisan luar dan langsung menghasilkan konfigurasi optimal

Soal 2

Mengapa lapisan evolusi luar tidak menyelesaikan tugas asli secara langsung?

Karena lapisan luar harus berhenti bersamaan dengan lapisan dalam

Karena lapisan luar hanya dapat memproses string

Karena lapisan luar tidak memiliki fungsi evaluasi

Karena lapisan luar harus mengevolusikan konfigurasi, strategi, dan parameter algoritma lapisan dalam, yang merupakan kendali meta-layer

Soal 3

Bagaimana hasil evaluasi tugas lapisan dalam memengaruhi evolusi lapisan luar?

Dibuang, lapisan luar hanya menggunakan gangguan acak

Langsung menjadi solusi optimal tugas asli

Diagregasi menjadi sinyal fitness lapisan luar, digunakan untuk menyeleksi, memutasi, dan memperbarui konfigurasi lapisan dalam

Hanya digunakan untuk menaikkan suhu GPU

Soal 4

Apa peran terpenting paralelisme GPU untuk banyak tugas lapisan dalam terhadap evolusi dua lapis?

Membuat tugas lapisan dalam otomatis menjadi masalah tujuan tunggal

Memberikan umpan balik statistik yang lebih memadai dan mengurangi biaya waktu tunggu pencarian

Menjamin lapisan luar pasti menemukan optimum global

Membuat lapisan luar tidak lagi memerlukan evaluasi fitness

Soal 5

“Memperbaiki evolusi dengan evolusi” paling tepat menggambarkan hubungan yang mana?

Lapisan dalam dan lapisan luar menggunakan fungsi tujuan yang sepenuhnya sama, tanpa transfer informasi

Lapisan dalam hanya dimulai setelah pelatihan selesai, lapisan luar hanya berjalan sebelum pelatihan

Lapisan luar langsung menggantikan semua kandidat solusi lapisan dalam

Lapisan luar mengevolusikan konfigurasi dan strategi algoritma lapisan dalam, dan kinerja lapisan dalam memberi umpan balik pada fitness lapisan luar

Studi Kasus: Penerapan Dua Lapis MetaDE dalam Penjadwalan Optimasi Kombinatorial

Baca skenario, lalu jawab pertanyaan.

Sebuah tim menggunakan MetaDE untuk menyelesaikan masalah penjadwalan lantai produksi dengan kendala kompleks. Lapisan dalam menggunakan Differential Evolution (DE) untuk menyelesaikan banyak instans tugas secara paralel di GPU, menghasilkan kandidat solusi, nilai tujuan, dan jumlah langkah konvergensi setiap instans; lapisan luar memelihara kumpulan konfigurasi dan strategi DE (seperti strategi mutasi, laju persilangan, ukuran populasi). Tim ingin sistem tetap menunjukkan kinerja stabil saat distribusi tugas berubah.

Tentukan pembagian tugas lapisan dalam dan lapisan luar dalam skenario ini, lalu jelaskan bagaimana lingkaran umpan balik terbentuk.

Jawaban:
Tugas lapisan dalam: DE menyelesaikan instans penjadwalan konkret, menghasilkan kandidat solusi, nilai tujuan, jumlah langkah konvergensi, dan kinerja operasional lainnya. Tugas lapisan luar: tidak menyusun jadwal secara langsung, melainkan mengevolusikan konfigurasi dan strategi DE (strategi mutasi, laju persilangan, ukuran populasi, dll.). Lingkaran umpan balik: kinerja tugas batch lapisan dalam diagregasi menjadi sinyal fitness lapisan luar, yang atas dasar itu melakukan seleksi, mutasi, dan pembaruan konfigurasi lapisan dalam yang lebih baik; konfigurasi yang telah diperbarui kembali ke lapisan dalam, membentuk lingkaran tertutup.

Jika varians hasil evaluasi tugas lapisan dalam sangat besar, bagaimana desain fitness lapisan luar harus disesuaikan? Apa peran paralelisme GPU di sini?

Jawaban:
Sebaiknya gunakan kinerja rata-rata dari beberapa pengulangan atau tugas batch, median, statistik robust, atau batas bawah keyakinan dengan penalti untuk membentuk fitness lapisan luar, guna mengurangi kesalahan seleksi akibat varians tinggi; bila perlu, tambahkan jumlah sampel evaluasi untuk setiap kumpulan konfigurasi. Paralelisme GPU dapat menjalankan banyak tugas lapisan dalam secara batch, memperbesar ukuran sampel dan mempersingkat waktu tunggu, sehingga estimasi fitness lapisan luar lebih stabil, dan dengan demikian pemilihan serta pembaruan konfigurasi lapisan dalam menjadi lebih andal.