Merancang Cetak Biru Eksperimen Optimasi Dua Lapis

Cetak biru eksperimen optimasi dua lapis harus menjawab satu pertanyaan konkret:berapa nilai yang seharusnya ditetapkan untuk faktor mutasi F pada Differential Evolution (DE). Pendekatannya bukan lagi menyetel secara manual, melainkan mengangkat F dari hiperparameter tetap menjadiobjek yang dapat dievolusikan pada lapisan luar, dan menjadikan “menjalankan satu tugas penyelesaian DE dengan suatu pengaturan F” sebagaiproses evaluasi lapisan dalam; lapisan luar memperbarui konfigurasi berdasarkan kinerja tugas lapisan dalam. Cetak biru ini dapat berjalan karena dibangun di atas fondasi komputasi modern EvoX: populasi, hasil evaluasi, dan status algoritma diorganisasi menjaditensoryang dapat dihitung secara menyeluruh, sehingga konfigurasi kandidat dapat dimutasi secara batch, dievaluasi secara batch, dan masuk ke dalam graf komputasi untuk menerima optimasi kompilasi, lalu oleh penjadwal Runtimekomputasi dikirim ke GPU, perangkat akselerasi, atau klaster terdistribusi, sehingga siklus eksperimen serial yang semula panjang dapat dipadatkan ke dalam jendela waktu yang dapat diterima.

Tugas lapisan dalam: mengubah kinerja menjadi sinyal yang dapat dibandingkan

Lapisan dalam adalah sebuaheksperimen yang dapat diulang. Pertama, pilih satu tugas optimasi atau himpunan fungsi tolok ukur, lalu kunci seluruh struktur utama DE, dimensi, anggaran evaluasi, dan himpunan benih acak — satu-satunya besaran yang berubah adalah konfigurasi F yang dikirim dari lapisan luar. Setiap eksekusi harus mencatat: nilai terbaik, kecepatan konvergensi (jumlah generasi untuk mencapai ambang), tingkat keberhasilan, pelanggaran kendala, metrik multiobjektif (seperti hypervolume), serta keragaman kandidat. Catatan inilah satu-satunya informasi yang dapat “dilihat” oleh lapisan luar, dan menjadi satu-satunya dasar bagi lapisan luar untuk menilai baik-buruk. Evaluasi dijalankan secara batch dalam bentuk tensor, dengan kandidat dalam satu batch berbagi satu graf komputasi, sehingga menghindari overhead evaluasi serial per individu.

Objek strategi lapisan luar: F bukan lagi sebuah konstanta

Lapisan luar tidak mencari sebuah nilai numerik, melainkan sebuah strategi F. Terdapat tiga jenis pengodean yang umum: F konstan; konstanta bertahap, misalnya gen [F₁, F₂, F₃] yang beralih menurut interval generasi; fungsi penjadwalan yang dikendalikan oleh sedikit gen, misalnya memicu F yang berbeda berdasarkan tingkat keberhasilan saat ini, varians populasi, atau proporsi generasi. Pada pengodean berbasis strategi, selain gen itu sendiri, fitur masukan dan aturan keluaran juga wajib dituliskan; jika tidak, rangkaian gen yang sama dapat menghasilkan hasil yang sangat berbeda pada implementasi yang berbeda.

Cara pemetaan: dari genotipe ke konfigurasi saat runtime

Pemetaan dari genotipe lapisan luar ke konfigurasi runtime lapisan dalam haruseksplisit dan dapat direproduksi. Misalnya gen [Fawal, Fakhir, peluruhan] dipetakan menjadi penjadwalan yang meluruh seiring generasi: F(t) = Fawal + (Fakhir − Fawal) × e^(−peluruhan × t / T), dengan t adalah generasi saat ini dan T adalah total generasi; gen [F₁, F₂, F₃] dipetakan menjadi peralihan tiga segmen konstanta. Genotipe yang sama harus selalu dipetakan ke konfigurasi runtime yang sama; jika tidak, “gen baik” yang dipelajari lapisan luar tidak dapat dijelaskan maupun ditransfer ke tugas baru.

Alur loop tertutup dan log wajib

Siklus lengkapnya adalah: populasi lapisan luar menghasilkan sekumpulan konfigurasi F → penjadwal Runtime mengirim tugas DE lapisan dalam secara paralel dalam batch tensor → evaluasi batch GPU → ringkasan metrik → seleksi, mutasi, crossover, dan pembaruan lapisan luar → masuk ke putaran berikutnya. Di sini digunakan organisasi berlapis EvoX: lapisan algoritma menampung evolusi lapisan luar dan logika DE lapisan dalam, modul masalah menyediakan tugas tolok ukur, penjadwal Runtime bertanggung jawab mengirim komputasi batch ke GPU atau klaster terdistribusi, dan modul pemantauan mengumpulkan metrik. Pada loop tertutup harus ditinggalkan catatan yang dapat diputar ulang: benih acak, anggaran evaluasi, ID tugas, model perangkat keras, dan kondisi berhenti. Setiap kesimpulan “lapisan luar menang” harus dapat dijalankan ulang pada kondisi yang sama.

Kondisi batas dan garis dasar: tiga lapis perlindungan

Perlindungan terhadap derau:Ketika fluktuasi evaluasi lapisan dalam besar, hasil dari satu kali eksekusi tidak dapat dipercaya; perlu dilakukan beberapa kali eksekusi independen dan dilaporkan interval kepercayaannya. Fitness dapat diagregasi menggunakan rata-rata, median, atau kuantil terburuk, sekaligus memisahkan tugas pelatihan dan tugas validasi untuk mencegah lapisan luar hanya mengalami overfitting terhadap beberapa benih yang beruntung.Perlindungan terhadap biaya:Ketika tugas lapisan dalam mahal, lakukan penyaringan awal dengan model fidelitas rendah atau evaluasi proksi, lalu evaluasi ulang dengan fidelitas tinggi untuk sebagian kecil kandidat.Perlindungan terhadap garis dasar:F tetap = 0.5 dan DE adaptif klasik harus dibandingkan secara langsung, dan eksperimen ablasi digunakan untuk memastikan bahwa keuntungan berasal dari evolusi lapisan luar itu sendiri, bukan dari jumlah evaluasi yang lebih banyak. Jika ruang pencarian lapisan luar terlalu kecil, optimasi dua lapis akan merosot menjadi penyetelan manual; dalam hal ini ruang pengodean harus diperluas, bukan sekadar menambah anggaran.

Cetak Biru dan Alur Eksperimen Optimasi Dua Lapis

Diagram ini menggunakan faktor mutasi F dari Differential Evolution sebagai contoh: lapisan dalam mengunci tugas, dimensi, anggaran evaluasi, dan benih acak, sehingga hanya strategi F yang dikirim dari lapisan luar yang berubah, dan mencatat nilai terbaik, kecepatan konvergensi, tingkat keberhasilan, pelanggaran kendala, hypervolume, serta keragaman kandidat; lapisan luar dapat mengodekan F konstan, F bersegmen, atau fungsi penjadwalan, yang setelah pemetaan eksplisit dievaluasi secara batch dan dipilih untuk pembaruan. Loop tertutup juga perlu menyimpan benih, anggaran, ID tugas, perangkat keras, dan kondisi berhenti untuk memastikan kesimpulan dapat dijalankan ulang.

Soal 1

Dalam tugas lapisan dalam pada cetak biru eksperimen optimasi dua lapis, agar perbedaan antar konfigurasi F dapat diatribusikan, elemen apa saja selain F yang juga harus dikunci?

Memulai ulang secara acak setiap eksekusi, lalu mengambil hasil terbaik di antaranya

Cukup mengunci benih acak, elemen lainnya boleh berubah secara otomatis

Mengunci ukuran populasi lapisan luar, lapisan dalam cukup dijalankan bebas

Mengunci struktur utama DE, dimensi, anggaran evaluasi, dan himpunan benih acak

Soal 2

Jika pengodean gen lapisan luar adalah [Fawal, Fakhir, peluruhan], bentuk F manakah yang sesuai?

Penjadwalan kontinu F(t) yang meluruh secara eksponensial seiring generasi

Aturan yang dipicu secara acak berdasarkan varians populasi

Tiga segmen konstanta yang beralih menurut interval generasi

Konstanta F yang tidak bergantung pada generasi

Soal 3

Dalam alur loop tertutup optimasi dua lapis, setelah populasi lapisan luar menghasilkan sekumpulan konfigurasi F, langkah apa yang terjadi berikutnya?

Langsung melompat ke iterasi berikutnya untuk menghemat waktu

Penjadwal Runtime mengirim tugas DE lapisan dalam secara paralel, dan melakukan evaluasi batch tensor di GPU

Langsung memperbarui fitness lapisan luar dengan sekumpulan konfigurasi ini

Memeriksa ulang setiap konfigurasi secara manual terlebih dahulu sebelum menjalankannya

Soal 4

Ketika derau evaluasi lapisan dalam cukup besar, cara manakah berikut ini yang paling mampu mencegah lapisan luar mengalami overfitting terhadap benih acak tertentu?

Memperbesar ukuran populasi lapisan luar secara langsung, menggunakan lebih banyak individu untuk menutupi derau

Menggabungkan beberapa benih menjadi satu eksekusi yang sangat panjang

Menjalankan beberapa kali secara independen dan melakukan agregasi berdasarkan median, kuantil terburuk, dan sebagainya, sekaligus memisahkan tugas pelatihan dan tugas validasi

Hanya mengambil nilai terbaik dari satu kali eksekusi sebagai fitness

Soal 5

Untuk membuktikan bahwa evolusi lapisan luar benar-benar memberikan keuntungan, cara manakah yang paling ketat?

Membandingkan secara langsung dengan garis dasar seperti F tetap = 0.5 dan DE adaptif klasik, serta melakukan eksperimen ablasi untuk memastikan sumber keuntungan

Terus memperpanjang waktu eksekusi lapisan dalam hingga hasil lapisan luar melebihi garis dasar

Menambah jumlah GPU agar lapisan dalam berjalan lebih cepat

Hanya melaporkan hasil konfigurasi terbaik yang ditemukan lapisan luar pada satu kali eksekusi

Studi Kasus: Membangun Cetak Biru Optimasi Dua Lapis untuk Faktor Mutasi DE

Baca situasinya, lalu jawab dua pertanyaan berikut dengan memberikan desain cetak biru yang dapat dijalankan.

Sebuah tim algoritma ingin membuat Differential Evolution berkinerja lebih baik pada rangkaian tolok ukur optimasi kontinu. Mereka memutuskan untuk tidak lagi menyetel faktor mutasi F secara manual, melainkan membangun cetak biru eksperimen optimasi dua lapis: lapisan luar bertugas mengevolusikan strategi F, lapisan dalam bertugas mengevaluasi kinerja nyata strategi tersebut pada tugas tolok ukur. Sumber daya yang tersedia adalah 4 GPU dan jendela ruang mesin 24 jam. Tim perlu menyerahkan rencana yang dapat diputar ulang oleh rekan kerja mana pun pada kondisi yang sama, serta menjelaskan cara menilai apakah evolusi lapisan luar benar-benar efektif.

1. Rancang aturan pemetaan dari genotipe lapisan luar ke konfigurasi runtime lapisan dalam, dan jelaskan mengapa pemetaan ini harus eksplisit dan dapat direproduksi.

Jawaban:
Dapat dirancang sebagai penjadwalan kontinu: gen [Fawal, Fakhir, peluruhan] dipetakan menjadi F(t) = Fawal + (Fakhir − Fawal) × e^(−peluruhan × t / T), dengan t adalah generasi saat ini dan T adalah total generasi; dapat juga dirancang sebagai konstanta bersegmen: gen [F₁, F₂, F₃] yang beralih secara berurutan menurut interval generasi; jika digunakan pengodean berbasis strategi, fitur masukan (seperti tingkat keberhasilan saat ini, varians populasi) dan aturan keluaran yang sesuai juga wajib dituliskan. Pemetaan harus eksplisit dan dapat direproduksi karena gen itu sendiri tidak membawa makna; hanya melalui pemetaan ia menjadi F yang benar-benar digunakan lapisan dalam. Hanya jika pemetaan tetap, kita dapat menjelaskan mengapa lapisan luar menang, memindahkan konfigurasi ke tugas baru, dan membuat pihak ketiga dapat melakukan verifikasi ulang pada kondisi yang sama. Jika pemetaan menyisakan nilai default tersirat, gen yang sama akan menghasilkan hasil berbeda pada implementasi yang berbeda, sehingga kesimpulan lapisan luar kehilangan maknanya.

2. Berikan metrik evaluasi dan skema agregasi fitness lapisan luar untuk cetak biru ini, serta jelaskan cara memverifikasi keuntungan lapisan luar dengan garis dasar dan eksperimen ablasi.

Jawaban:
Pada tingkat lapisan dalam: setiap konfigurasi F diulang secara independen 20 kali dengan anggaran yang sama pada tolok ukur terpilih, dengan struktur, dimensi, dan himpunan benih DE dikunci, lalu dicatat nilai terbaik, generasi konvergensi, tingkat keberhasilan, dan varians eksekusi. Pada tingkat lapisan luar: kinerja tugas terlebih dahulu diagregasi menjadi sinyal umpan balik, misalnya fitness lapisan luar = peringkat rata-rata nilai terbaik + 0.1 × generasi konvergensi + 0.05 × penalti varians; bila perlu gunakan agregasi yang lebih robust seperti median, kuantil terburuk, AUC konvergensi, atau hypervolume. Secara rekayasa, tugas pelatihan dan tugas validasi harus dipisahkan: evolusi lapisan luar dilakukan pada tugas pelatihan, sedangkan penentuan menang-kalah dilakukan pada tugas validasi. Untuk garis dasar, F tetap = 0.5 dan DE adaptif klasik harus dijalankan dengan anggaran, perangkat keras, dan himpunan benih yang sama; untuk ablasi, perlu dijalankan kelompok kontrol tambahan yang “mematikan evolusi lapisan luar dan hanya mengambil sampel acak sejumlah konfigurasi F yang sama”, guna menyingkirkan kemungkinan keuntungan semata-mata berasal dari bertambahnya jumlah evaluasi. Struktur baru dapat dinilai efektif jika skema lapisan luar secara konsisten menang pada tugas validasi dan interval kepercayaannya tidak tumpang tindih; jika keunggulan hilang pada tugas validasi, maka dinilai gagal, dan perlu kembali memeriksa tingkat derau lapisan dalam serta kecukupan anggaran.