Implementasi Evolusi Metode Khas: Arsitektur MetaDE

Differential Evolution (DE) tradisional menyerahkan strategi mutasi dan parameter kontrol kunci kepada peneliti untuk ditetapkan terlebih dahulu, dan tetap tidak berubah sepanjang proses pencarian. Perubahan inti MetaDE adalah:menjadikan konfigurasi algoritma itu sendiri sebagai objek yang dievolusikan——evolusi lapisan luar mencari ruang algoritma, sedangkan lapisan dalam mengevaluasi kinerja ruang solusi, sehingga “bagaimana berevolusi” beralih dari penetapan manual menjadi pencarian adaptif.

Struktur dua lapis: lapisan luar mencari algoritma, lapisan dalam menyelesaikan masalah

Lapisan dalam: proses penyelesaian rutin Differential Evolution pada tugas optimasi asli, yang bertanggung jawab memberikan kinerja tugas yang nyata.
Lapisan luar: menggunakan satu konfigurasi algoritma DE sebagai satu individu, serta melakukan seleksi, crossover, mutasi, dan eliminasi pada ruang konfigurasi.

Tanggung jawab kedua lapisan tidak boleh dicampuradukkan: objek optimasi lapisan luar adalahkonfigurasi algoritma, sedangkan objek optimasi lapisan dalam adalahsolusi masalah. Yang pertama menentukan “bagaimana mencari”, yang kedua menentukan “seberapa baik hasil pencariannya”.

Apa yang dievolusikan lapisan luar

Satu individu lapisan luar tidak mengodekan beberapa angka, melainkan seluruh perilaku algoritma: strategi mutasi (rand/1, best/1, current-to-best/1, dsb.), cara crossover (crossover binomial, crossover eksponensial), serta parameter kontrol seperti faktor penskalaan F, probabilitas crossover CR, dan ukuran populasi. Perbedaan antarindividu mencerminkan kecenderungan perilaku yang berbeda dari keluarga algoritma yang sama di bawah karakteristik masalah yang berbeda.

Siklus verifikasi tertutup: konfigurasi kandidat harus benar-benar dijalankan sekali

Setiap konfigurasi kandidat tidak dapat diputuskan diterima atau ditolak hanya berdasarkan metrik meta atau penilaian prior; konfigurasi tersebut harus dikirim ke tugas asli untuk benar-benar dijalankan dan menjalani verifikasi kinerja nyata; selanjutnya lapisan luar melakukan seleksi, eliminasi, dan retensi berdasarkan fitness yang diumpanbalikkan oleh lapisan dalam, menentukan konfigurasi mana yang diwarisi dan disebarkan. Dengan demikian terbentuk siklus iteratif tertutup “pembentukan konfigurasi → verifikasi tugas → umpan balik seleksi”, di mana fitness lapisan luar hanya dapat berasal dari hasil eksekusi nyata lapisan dalam.

Perbedaan dengan DE tetap

Strategi dan parameter DE tradisional ditetapkan terlebih dahulu oleh peneliti dan tetap sepanjang proses; MetaDE menyerahkan hak keputusan ini kepada evolusi lapisan luar, sehingga algoritma memiliki kemampuan adaptif terhadap karakteristik masalah—misalnya pada awal pencarian lebih menyukai rand/1 yang lebih eksploratif dan F yang lebih besar, lalu pada tahap akhir beralih ke best/1 yang lebih cepat konvergen dan F yang lebih kecil.

Biaya dan prasyarat

Setiap konfigurasi kandidat harus menjalankan tugas lapisan dalam secara lengkap satu kali (biasanya juga perlu dijalankan mandiri beberapa kali dan diambil rata-ratanya untuk menekan keacakan), sehingga biaya evaluasi membesar berkali-kali lipat seiring ukuran populasi dan jumlah generasi lapisan luar. Karena itu, MetaDE sangat bergantung pada fondasi rekayasa seperti paralelisasi, tensorisasi, dan penjadwalan runtime—inilah alasan teknis mengapa MetaDE perlu dibangun di atas Runtime yang ter-tensorisasi.

Contoh minimal yang dapat dijalankan

Ambil contoh sekumpulan tugas optimasi kontinu: salah satu individu dalam populasi lapisan luar dikodekan sebagai “rand/1 + crossover binomial + F=0.5, CR=0.9”, konfigurasi tersebut dikirim ke tugas lapisan dalam untuk dijalankan mandiri beberapa kali, dan rata-rata fitness diambil sebagai fitness individu lapisan luar; berdasarkan hal itu lapisan luar menyeleksi, memutasi, dan mempertahankan konfigurasi yang lebih baik, membentuk siklus iteratif tertutup “pembentukan konfigurasi—verifikasi tugas—umpan balik seleksi”. Langkah ini adalah bentuk minimal yang dapat dijalankan dari “menggunakan algoritma evolusi untuk menyempurnakan algoritma evolusi”.

Posisi: MetaDE adalah perwujudan konkret dari “Mekanisme Evolusi Dua Lapis Dalam-Luar dan Adaptif” dari gagasan menjadi arsitektur yang dapat diimplementasikan, sekaligus menyediakan paradigma metodologis bagi evolusi struktur algoritma selanjutnya (AutoPSO, EvoGO).

Struktur Dua Lapis MetaDE dan Alur Verifikasi Tugas

Diagram ini menunjukkan alur dua lapis MetaDE: lapisan luar menggunakan satu set lengkap konfigurasi DE sebagai individu untuk melakukan seleksi, crossover, mutasi, dan eliminasi; konfigurasi kandidat harus dikirim ke tugas asli lapisan dalam untuk benar-benar dijalankan, biasanya dijalankan mandiri beberapa kali dan diambil rata-rata fitness-nya, lalu diumpanbalikkan untuk menentukan retensi dan penyebaran. Dengan demikian, pengaturan strategi mutasi, cara crossover, serta F, CR, dan lainnya beralih dari penetapan manual menjadi pencarian adaptif.

Soal 1

Apa objek yang dioperasikan secara langsung oleh evolusi lapisan luar dalam MetaDE?

Fungsi fitness dari tugas lapisan dalam itu sendiri

Sekumpulan solusi kandidat dari tugas optimasi asli

Batas atas ukuran populasi lapisan luar

Konfigurasi algoritma Differential Evolution, termasuk strategi mutasi, cara crossover, dan parameter kontrol

Soal 2

Mengapa setiap konfigurasi kandidat harus masuk ke tugas asli dan benar-benar dijalankan, bukan hanya dinilai berdasarkan metrik meta?

Karena tugas lapisan dalam memerlukan parameter dari lapisan luar agar dapat dimulai

Karena benar-benar menjalankannya sekali dapat mengurangi ukuran populasi lapisan luar

Karena beban komputasi metrik meta lebih besar daripada eksekusi nyata

Karena hanya hasil eksekusi nyata yang dapat menjadi dasar fitness yang andal bagi seleksi lapisan luar, sedangkan penilaian prior mudah tidak konsisten dengan kinerja aktual

Soal 3

Dibandingkan dengan Differential Evolution tradisional berparameter tetap, apa perubahan paling kunci pada MetaDE?

Strategi dan parameter kontrol tidak lagi tetap sepanjang proses, melainkan ditentukan secara dinamis oleh evolusi lapisan luar

Mengganti Differential Evolution dengan algoritma optimasi yang sama sekali berbeda

Menghilangkan tahap evaluasi fitness

Hanya berlaku untuk masalah optimasi kombinatorial diskret

Soal 4

Dari mana biaya komputasi utama MetaDE berasal?

Panjang string pengodean konfigurasi

Beban pengurutan dari operator seleksi lapisan luar

Setiap konfigurasi kandidat harus menjalankan tugas lapisan dalam secara lengkap satu kali, sehingga biaya evaluasi membesar berkali-kali lipat seiring skala dan jumlah generasi lapisan luar

Beban penggambaran jalur verifikasi pada diagram arsitektur

Soal 5

Mengenai hubungan antara MetaDE dan pekerjaan selanjutnya (AutoPSO, EvoGO), pernyataan berikut yang benar adalah?

MetaDE memberikan paradigma penerapan dari “menggunakan algoritma evolusi untuk menyempurnakan algoritma evolusi”, serta menyediakan referensi metodologis bagi evolusi struktur algoritma selanjutnya

MetaDE tidak berkaitan dengan evolusi struktur algoritma

AutoPSO dan EvoGO keduanya termasuk metode yang parameternya tetap sepanjang proses

MetaDE menggantikan proses penyelesaian lapisan dalam dengan evolusi lapisan luar

Studi Kasus: Konfigurasi MetaDE di Bawah Anggaran Evaluasi yang Terbatas

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

Sebuah tim ingin melakukan konfigurasi algoritma otomatis pada rangkaian fungsi benchmark optimasi kontinu. Mereka menggunakan satu konfigurasi DE (strategi mutasi + cara crossover + faktor penskalaan F dan probabilitas crossover CR + ukuran populasi) sebagai individu lapisan luar, dengan ukuran populasi lapisan luar awal 20 dan rencana evolusi 15 generasi; setiap konfigurasi kandidat dijalankan mandiri 10 kali pada tugas lapisan dalam yang bersesuaian, dan rata-rata fitness diambil sebagai fitness individu tersebut. Jumlah tugas lapisan dalam yang dapat dieksekusi secara paralel oleh klaster pada setiap putaran terbatas, sehingga total anggaran jumlah evaluasi tim menjadi terkendala.

1. Mengapa kita tidak bisa menilai konfigurasi kandidat hanya dengan metrik meta atau pengalaman historis, melainkan harus membiarkan setiap konfigurasi kandidat masuk ke tugas asli dan dijalankan?

Jawaban:
Karena tidak ada jaminan konsistensi yang andal antara metrik meta atau pengalaman prior dengan kinerja tugas aktual, baik-buruknya konfigurasi pada akhirnya hanya dapat didefinisikan oleh hasil eksekusi nyata. Hanya dengan menggunakan fitness yang diumpanbalikkan oleh tugas lapisan dalam sebagai dasar seleksi, seleksi, eliminasi, dan retensi lapisan luar dapat dibangun di atas bukti yang tepercaya; inilah syarat perlu dari siklus verifikasi tertutup MetaDE. Jika beralih ke penilaian proxy, lapisan luar sangat mungkin mempertahankan konfigurasi yang “tampak masuk akal tetapi kinerja aktualnya buruk”, arah evolusi dibelokkan secara sistematis, dan hasil akhirnya hanyalah satu set konfigurasi yang bagus pada metrik meta tetapi tidak efektif pada tugas nyata.

2. Dengan kemampuan paralel klaster yang terbatas, bagaimana Anda akan menyeimbangkan antara ukuran populasi dan jumlah generasi lapisan luar dengan jumlah pengulangan eksekusi lapisan dalam? Berikan rencana dan alasannya.

Jawaban:
Langkah pertama adalah memperkirakan total anggaran jumlah evaluasi: ukuran populasi lapisan luar × jumlah generasi × jumlah pengulangan lapisan dalam. Langkah kedua adalah mengalokasikannya berdasarkan itu: tekan secukupnya ukuran populasi atau jumlah generasi lapisan luar, dan prioritaskan agar jumlah pengulangan lapisan dalam tidak di bawah tingkat yang dapat mengestimasi rata-rata secara stabil (misalnya 5 hingga 10 kali). Alasannya, ketika jumlah pengulangan lapisan dalam terlalu sedikit, fitness individu akan didominasi oleh keacakan, seleksi lapisan luar sebenarnya sedang mengejar derau, sinyal evolusi tercemar, dan pencarian pada generasi selanjutnya pun sulit konvergen. Pada saat yang sama, tingkatkan paralelisme dengan mengirimkan tugas lapisan dalam dari individu-individu pada generasi yang sama secara paralel, sehingga waktu dinding berkurang seiring paralelisme alih-alih bertambah linear seiring anggaran; bila perlu, gunakan penghentian dini atau model proxy untuk penyaringan awal demi menghemat anggaran, tetapi setiap kandidat yang masuk ke perbandingan akhir dan menentukan diterima atau ditolak tetap harus melewati verifikasi nyata pada tugas asli.