# Sistem Evolusi Cerdas EvoX dan Praktik Penelitian Ilmiah AI Native — Modul Kuliah

Durasi: 1 · Halaman materi: 16

## Navigasi Bacaan

- [Pelajaran 5｜Topik: Evolusi Metode: Dari Solusi Optimal ke Algoritma Optimasi Itu Sendiri](#lecture-lesson-1)

---

<a id="lecture-lesson-1"></a>

## Pelajaran 5｜Topik: Evolusi Metode: Dari Solusi Optimal ke Algoritma Optimasi Itu Sendiri

<a id="lecture-page-1"></a>

### Evolusi Metode: Dari Solusi Optimal ke Algoritma Optimasi Itu Sendiri

*Halaman 1*

> **Tujuan Halaman:** Menjelajahi mekanisme evolusi metode seperti MetaDE dan AutoPSO, mempelajari cara memasukkan metode yang menghasilkan kandidat ke dalam objek optimasi, sehingga algoritma dapat berevolusi sendiri.

> **Tujuan Halaman**
>
> Memahami ide inti evolusi metode (Meta-Evolution), menguasai arsitektur yang menyerahkan strategi mutasi dan hyperparameter ke optimasi evolusi lapisan luar, sehingga algoritma dapat bertransisi dari solusi optimal ke algoritma optimasi itu sendiri.

> **Urutan Penjelasan**
>
> Diberikan masalah, optimalkan kandidat solusi.
>
> Strategi mutasi dan hyperparameter algoritma (seperti Differential Evolution DE, Particle Swarm PSO) biasanya bergantung pada desain manual atau penyetelan parameter berbasis pengalaman.
>
> Konfigurasi algoritma (strategi, parameter) dijadikan individu evolusi lapisan luar, algoritma lapisan dalam bertanggung jawab menyelesaikan masalah asli.
>
> Evolusi lapisan luar secara otomatis mencari kombinasi strategi mutasi terbaik dan hyperparameter.
>
> 5. Merangkum arsitektur optimasi dua lapis dan makna evolusi diri.

**Poin Pengajaran**

- Objek optimasi bergeser dari "solusi" ke "metode/algoritma". Optimasi dua lapis. Algoritma evolusi lapisan luar mengoptimalkan konfigurasi optimizer lapisan dalam (seperti strategi mutasi, laju crossover, bobot inersia, faktor pembelajaran, dll.)
- Fitness lapisan luar adalah kinerja lapisan dalam pada masalah validasi (seperti nilai optimal rata-rata, kecepatan konvergensi). Secara otomatis memilih atau menghasilkan strategi mutasi untuk DE dan menyetel parameter
- Secara otomatis mengonfigurasi parameter dan struktur topologi PSO. Mengurangi penyetelan manual, menemukan strategi baru, meningkatkan kemampuan generalisasi lintas masalah
- Optimasi bersarang menyebabkan biaya komputasi meningkat secara signifikan.

**Pemeriksaan Pemahaman**

Minta siswa menjawab — dalam evolusi metode, apa yang diwakili oleh individu algoritma lapisan luar? Apa peran algoritma lapisan dalam? Bagaimana fitness didefinisikan?

> **Petunjuk Transisi**
>
> Setelah memahami arsitektur dua lapis, konten selanjutnya dapat menguraikan secara spesifik detail implementasi dan hasil eksperimen MetaDE atau AutoPSO.

<a id="lecture-page-2"></a>

### Latar Belakang Inti dan Motivasi Evolusi Metode

*Halaman 2*

> **Tujuan Halaman:** Pembelajar harus memahami keterbatasan preset manual yang dihadapi metode optimasi tradisional setelah daya komputasi diperluas.

**Poin Pengajaran**

- Versi satu kalimat dari evolusi metode adalah: <em>solusi berevolusi, metode yang menghasilkan solusi juga berevolusi</em>. Melihat praktik apa pun yang "hanya menyetel parameter, tidak mengubah mekanisme", dapat digunakan untuk menilai apakah Anda berhenti di lapisan pertama atau naik ke lapisan kedua.
- Penyetelan hyperparameter biasanya dilakukan pencarian offline sekali sebelum dijalankan, setelah memilih satu nilai lalu diperbaiki, pada dasarnya masih preset manual; evolusi metode menjadikan metode itu sendiri sebagai objek pencarian selama proses berjalan, terus menyesuaikan berdasarkan umpan balik. Standar penilaiannya adalah: apakah mekanisme yang menghasilkan kandidat ini berubah selama operasi.
- Bisakah Anda menjelaskan perbedaan antara sisi kiri dan kanan? Jika Anda hanya bisa mengatakan "sisi kanan menghitung lebih cepat, menemukan lebih baik", itu berarti Anda belum menangkap intinya; intinya adalah objek pencarian di sisi kanan memiliki satu lapisan tambahan — metode itu sendiri masuk ke dalam siklus yang dicari, dievaluasi, dan diperbarui.

【Tujuan Halaman】

Ketika skala daya komputasi tidak lagi menjadi hambatan, yang benar-benar membatasi efek evolusi adalah "metode yang menghasilkan solusi kandidat masih ditetapkan secara manual dan tetap untuk jangka panjang". Hanya setelah memahami kekurangan lapisan ini, barulah kita dapat membahas memasukkan strategi mutasi, faktor skala, laju crossover, dan mekanisme lainnya ke dalam objek evolusi.

【Urutan Penjelasan】

Disarankan mengikuti alur "daya komputasi terbuka → pergeseran kekurangan → batas optimasi tradisional → pergeseran level masalah → analisis dan persiapan", akhirnya bermuara pada latihan kelas dan diskusi kasus.

【Poin Pengajaran】

1. Mengapa kekurangan bergeser. Pada basis komputasi modern EvoX, populasi, hasil evaluasi, dan status algoritma dapat masuk secara keseluruhan ke perangkat akselerasi atau kluster terdistribusi, puluhan ribu evaluasi kandidat tidak lagi perlu diproses satu per satu secara serial. Setelah lapisan daya komputasi terbuka, batasan yang tersisa jatuh pada "cara pencarian": metode yang menghasilkan solusi kandidat masih ditetapkan sebelumnya oleh manusia, dan tetap tidak berubah selama operasi.

2. Batas optimasi tradisional. Algoritma optimasi tradisional sangat pandai menemukan solusi dalam ruang pencarian yang diberikan — diberikan strategi mutasi, satu set parameter, satu struktur lingkungan, ia akan berulang kali menghasilkan solusi kandidat, mengevaluasi, lalu memilih. Tetapi perlu diperhatikan, mekanisme yang menghasilkan kandidat ini adalah konstanta yang dirancang dari luar, algoritma tidak akan mengubahnya selama seluruh proses operasi. Dengan kata lain, yang dicari hanya "solusi", "cara menghasilkan solusi" tidak dicari. Akibatnya ada dua: sistem hanya dapat mengulangi pola yang telah ditetapkan, sulit beradaptasi dan berkembang sesuai masalah, lingkungan, dan umpan balik; meskipun algoritma dapat mencari solusi, dirinya sendiri tidak berpartisipasi dalam perbaikan proses pencarian.

Masalah naik satu level. Evolusi metode mengubah "bagaimana menghasilkan solusi kandidat" dari pilihan desain eksternal menjadi objek yang dapat dicari dan dievolusikan. Mengambil Differential Evolution sebagai contoh, strategi mutasi, faktor skala F, laju crossover CR yang awalnya ditetapkan secara manual, semuanya dapat masuk ke dalam siklus evolusi, terus disesuaikan berdasarkan umpan balik. Dengan demikian sistem mencari pada dua level secara bersamaan: "solusi" dan "cara menghasilkan solusi". Ketika bentuk masalah berubah, lingkungan bergeser, atau sinyal umpan balik berubah, level metode juga dapat ditulis ulang, bukan membiarkan strategi heuristik yang tetap menanggung semua skenario.

4. Petunjuk analisis. Evolusi metode tidak sama dengan "mengganti dengan algoritma yang lebih baik". Mengganti algoritma tetap merupakan pilihan manual satu kali, setelah dipilih lalu diperbaiki; evolusi metode menekankan bahwa mekanisme yang menghasilkan kandidat ini sendiri berada dalam keadaan dicari dan terus disesuaikan. Standar penilaian dapat diringkas menjadi satu kalimat: apakah mekanisme yang menghasilkan kandidat ini berubah selama operasi.

5. Mengapa motivasi ini adalah fondasi konten selanjutnya. Ini menarik garis pemisah antara EvoX dan optimizer biasa — bagaimana batas objek evolusi terus diperluas ke luar, bagaimana algoritma itu sendiri diperbaiki, bagaimana sistem menuju kaskade dan evolusi berkelanjutan, semuanya dibangun di atas "pergeseran naik" lapisan ini. Dapat dikatakan, basis daya komputasi menyelesaikan "bisakah menghitung dalam skala besar", evolusi metode menyelesaikan "saat menghitung dalam skala besar, apakah cara pencarian dapat berkembang bersama".

【Jangkar Memori】

Solusi berevolusi, metode yang menghasilkan solusi juga berevolusi. Melihat praktik apa pun yang "hanya menyetel parameter, tidak mengubah mekanisme", dapat digunakan untuk menilai apakah Anda berhenti di lapisan pertama atau naik ke lapisan kedua.

【Penanganan Latihan】

Halaman ini dilengkapi dengan lima soal pilihan ganda, dapat diatur untuk ditangani secara terpusat setelah penjelasan selesai, menunjuk dasar penilaian setiap soal:

Mengenai keterbatasan fundamental optimasi tradisional, pilihan yang benar jatuh pada "hanya mencari solusi dalam ruang pencarian yang telah ditetapkan, mekanisme yang menghasilkan kandidat ditetapkan secara manual dan tidak diperbaiki". Jika siswa memilih "menghitung lambat" atau "tidak bisa paralel", ingatkan bahwa itu adalah masalah pada level basis komputasi, sedangkan halaman ini membahas apakah cara pencarian dapat diperbaiki.

Mengenai mengapa kekurangan menjadi menonjol setelah daya komputasi terbuka, kuncinya adalah "metode yang tetap hanya dapat mengulangi pola yang telah ditetapkan, sulit beradaptasi dan berkembang sesuai masalah, lingkungan, dan umpan balik". Tensorisasi dan Runtime justru untuk komputasi batch yang efisien, jadi kekurangan bukan pada "bisakah menghitung", tetapi pada "bisakah cara pencarian berubah".

Mengenai "masalah naik satu level", perlu ditekankan bahwa objek pencarian diperluas dari "solusi" ke "metode yang menghasilkan solusi", bukan mengganti perangkat keras atau menulis ulang bentuk masalah.

Mengenai objek yang dievolusikan dalam Differential Evolution, jawabannya adalah strategi mutasi, faktor skala F, dan laju crossover CR; nilai optimal adalah hasil yang dicari, perangkat keras dan data adalah kondisi eksternal.

Mengenai fondasi yang disediakan motivasi halaman ini untuk konten selanjutnya, jatuh pada "perluasan batas objek evolusi, perbaikan algoritma itu sendiri, dan evolusi berkelanjutan tingkat sistem".

【Diskusi Kasus】

Tim setelah percobaan offline menetapkan strategi mutasi, F=0.5, CR=0.9, kemudian tidak mengubahnya untuk jangka panjang; setengah tahun kemudian kota menambah zona pembatasan, struktur pesanan berubah dari "batch kecil, banyak titik" menjadi "batch banyak, titik sedikit", kualitas solusi terus menurun, dan setiap kali menyesuaikan parameter harus mengulang percobaan offline, siklus respons diukur dalam minggu.

Masalahnya adalah mereka hanya mencari pada level "jalur kandidat", mekanisme "bagaimana menghasilkan jalur kandidat" ditetapkan secara manual dan tetap untuk jangka panjang, inilah batas optimasi tradisional. Jika memperkenalkan evolusi metode, yang masuk ke ruang pencarian adalah pemilihan strategi mutasi, F, CR, serta kombinasi parameter terkait dan aturan penjadwalan strategi, semuanya berubah dari konstanta menjadi objek yang dapat terus disesuaikan berdasarkan umpan balik hasil evaluasi.

Tim tersebut sudah dapat menyelesaikan jutaan evaluasi kandidat per hari pada perangkat akselerasi, menunjukkan bahwa hambatan "tidak bisa menghitung" pada dasarnya sudah terbuka, kekurangan yang tersisa tepatnya adalah "cara pencarian yang tetap". Setelah memasukkan level metode ke dalam evolusi, biaya pencarian metode tambahan dapat berbagi kemampuan paralel batch yang sama dengan pencarian solusi, biaya marginal terkendali. Cara implementasi yang wajar adalah menjadikan strategi mutasi dan F, CR sebagai status yang dapat dievolusikan yang dilampirkan pada tensor populasi, masuk ke grafik komputasi batch bersama status lainnya; hasil evaluasi sebagai sinyal umpan balik dikembalikan ke lapisan metode, memperbarui distribusi strategi dan parameter dengan ritme tertentu; sekaligus mempertahankan konfigurasi baseline offline sebagai pembanding, mengevaluasi keuntungan bersih dengan kualitas solusi dan waktu peluncuran respons di bawah anggaran daya komputasi yang sama.

【Pemeriksaan Pemahaman】

Minta siswa menjelaskan perbedaan antara optimasi satu lapis tradisional dan evolusi metode. Jika mereka hanya bisa mengatakan "sisi kanan menghitung lebih cepat, menemukan lebih baik", itu berarti belum menangkap intinya; intinya adalah objek pencarian di sisi kanan memiliki satu lapisan tambahan — metode itu sendiri masuk ke dalam siklus yang dicari, dievaluasi, dan diperbarui.

【Petunjuk Transisi】

Selanjutnya akan menerapkan "pergeseran naik" lapisan ini ke mekanisme konkret, melihat bagaimana algoritma itu sendiri diperbaiki.

<a id="lecture-page-3"></a>

### Evolusi Teknologi Sistem Cerdas dan Asal-Usul Historis

*Halaman 3*

> **Tujuan Halaman:** Pembelajar harus menguasai posisi sumber teknologi komputasi evolusioner dalam konvergensi berbagai jalur.

> **Tujuan Halaman**
>
> Menarik kembali sejarah teknologi sistem cerdas dari kesalahpahaman "evolusi jalur tunggal", agar pembelajar menguasai posisi komputasi evolusioner dalam konvergensi empat sumber, dan berdasarkan itu memahami orientasi arsitektur EvoX — menjadikan "evolusi berkelanjutan" sebagai kemampuan sistem yang dapat dijalankan, bukan trik kecil pada level algoritma.

**Poin Pengajaran**

- Satu, empat sumber, empat cara bertanya. Membaca sejarah teknologi sebagai garis lurus akan sangat salah menilai sistem cerdas hari ini. Simbolisme peduli pada "aturan dan simbol", menggambarkan kecerdasan dengan representasi pengetahuan eksplisit dan penalaran logis, menempatkan "menjelaskan dengan jelas" sebelum "menghitung", harganya adalah sulit menghadapi realitas yang ambigu, berdimensi tinggi, dan berisik
- Koneksionisme peduli pada "data dan representasi", menggunakan jaringan saraf dan representasi terdistribusi untuk pembelajaran parameter, pandai menyesuaikan pemetaan kompleks, tetapi biasanya memerlukan tujuan dan label yang ditentukan secara eksplisit
- Sibernetika peduli pada "umpan balik dan loop tertutup", memahami kecerdasan sebagai proses penyesuaian berkelanjutan antara sistem dan lingkungan, ia memberikan mekanisme "koreksi berkelanjutan", tetapi menyerahkan "apa yang harus dijelajahi" kepada strategi pencarian
- Komputasi evolusioner peduli pada "populasi, mutasi, seleksi", menggunakan populasi untuk membawa keragaman, mutasi dan rekombinasi untuk menghasilkan perubahan, evaluasi dan seleksi untuk mempertahankan struktur yang efektif, ia tidak menjawab "apa jawaban yang benar", tetapi menjawab "bagaimana terus menjadi lebih baik dalam ruang terbuka". Menghadapi narasi sejarah teknologi apa pun, pertama gunakan empat kata kunci ini untuk menentukan sumber mana yang dimilikinya, penilaian akan jauh lebih cepat. Dua, konvergensi bukan penggantian. Tiga jalur klasik menyediakan kemampuan representasi, generasi, dan penyesuaian, komputasi evolusioner menyediakan mekanisme pencarian terbuka, adaptasi, dan perbaikan berkelanjutan
- Keduanya ditumpuk, tepat mencakup dua pertanyaan berbeda pada level "tahu bagaimana menghitung" dan "tahu ke mana harus pergi". Oleh karena itu pernyataan apa pun bahwa "aliran tertentu telah dieliminasi" menyimpang dari penilaian halaman ini: konvergensi adalah kolaborasi dan penumpukan mekanisme pada level berbeda dalam sistem yang sama, bukan satu aliran mengalahkan aliran lainnya. Dapat dikombinasikan dengan diagram hubungan "empat sumber → satu titik konvergensi" pada halaman, mengikuti panah dari empat kotak di kiri secara berurutan menunjuk ke titik konvergensi di tengah, lalu ke kanan masuk ke "sistem cerdas", akhirnya ke bawah mengarah ke "Titik akses EvoX: komputasi evolusioner × GPU × model besar". Kecerdasan dapat dikirim sebagai "produk preset" — pertama mendefinisikan label dan output optimal tunggal, membiarkan model mendekatinya
- Juga dapat dipupuk sebagai "proses lingkungan" — hanya mendefinisikan ruang pencarian dan standar evaluasi, populasi menemukan solusi yang dapat digunakan sendiri dalam iterasi. EvoX memilih yang terakhir. Menilai apakah sistem baru termasuk kategori mana, cukup tanyakan satu kalimat: apakah tujuannya ditetapkan secara manual sejak awal, atau disaring oleh lingkungan dalam evaluasi berkelanjutan? Empat, posisi arsitektur EvoX. EvoX berdiri di titik konvergensi, menjadikan komputasi evolusioner sebagai sumber teknologi langsung, dikombinasikan dengan GPU, model besar, dan basis rekayasa kontemporer lainnya, membuat evolusi berkelanjutan memiliki kelayakan rekayasa. Halaman ini hanya melakukan persiapan sumber dan positioning, tensorisasi basis, evolusi metode, MetaDE, dan detail lainnya akan diuraikan pada halaman selanjutnya.

**Cakupan Kata Kunci**

- Simbolisme, koneksionisme, sibernetika, komputasi evolusioner, titik konvergensi, produk preset, proses lingkungan, titik akses EvoX.

**Penanganan Latihan**

Lima soal pilihan ganda ditanyakan selesai penjelasan, fokus pada menanyakan dasar bukan hanya melaporkan jawaban. Soal satu, jawaban jatuh pada simbolisme, jika siswa salah memilih, ingatkan "jalur mana yang kata kuncinya adalah aturan, simbol, logika, bukan data, umpan balik, atau populasi". Soal dua, pernyataan yang benar adalah populasi menghasilkan perubahan, evaluasi dan seleksi mempertahankan struktur yang efektif, tidak menetapkan solusi optimal tunggal; perbedaan kunci adalah "siapa yang menentukan jawaban". Soal tiga, jawabannya adalah menjadikan evolusi berkelanjutan naik dari trik algoritma menjadi kemampuan sistem yang dapat dijalankan, dapat diingatkan "positioning arsitektur" berarti tidak mengganti aliran apa pun, tetapi membuat mekanisme evolusi benar-benar dapat berjalan dan berkelanjutan. Soal empat, yang sesuai dengan pandangan kecerdasan gaya proses lingkungan adalah "hanya mendefinisikan ruang pencarian dan standar evaluasi, populasi menemukan solusi yang dapat digunakan sendiri dalam iterasi".

Soal lima, penilaian yang akurat adalah jalur klasik menyediakan representasi, generasi, dan penyesuaian, komputasi evolusioner menyediakan pencarian terbuka, adaptasi, dan perbaikan berkelanjutan. Penyebab umum kesalahan adalah membaca "konvergensi" sebagai "penggantian", atau salah menganggap komputasi evolusioner sebagai metode supervised yang memerlukan label anotasi, perlu kembali ke penjelasan halaman ini untuk repositioning.

Skema A sistem penjadwalan pengiriman instan kota (pembelajaran supervised mendekati keputusan optimal historis yang dianotasi ahli) dan skema B (hanya menetapkan ruang pencarian dan standar evaluasi multi-indikator, pencarian iteratif oleh populasi, dengan bantuan evaluasi paralel GPU). Pertanyaan pertama membandingkan dua pandangan kecerdasan: esensi perbedaan bukan pada kompleksitas algoritma, tetapi pada apakah jawaban diberikan sebelumnya oleh manusia, atau disaring oleh evaluasi berkelanjutan lingkungan; EvoX lebih dekat ke skema B. Pertanyaan kedua tentang risiko jangka panjang standar evaluasi dan penanganannya: jawaban yang mungkin termasuk desain indikator yang tidak tepat menyebabkan optimasi target yang salah secara akurat, standar yang membeku menyebabkan penurunan keragaman populasi dan stagnasi pencarian, indikator dipenuhi dengan cara curang sehingga solusi yang dihasilkan tidak dapat diterima secara bisnis;

Tindakan yang sesuai termasuk pembobotan multi-tujuan atau Pareto frontier dan kalibrasi ulang bobot secara berkala, memperkenalkan pemeliharaan keragaman dan inisialisasi ulang secara periodik, menetapkan batasan keras dan verifikasi keamanan untuk solusi kandidat, mengembalikan kinerja aktual solusi yang diadopsi sebagai loop tertutup standar evaluasi.

**Pemeriksaan Pemahaman**

Minta seorang siswa dengan kata-katanya sendiri menjelaskan apa yang diselesaikan oleh masing-masing empat sumber, lalu mengulang perbedaan "produk preset" dan "proses lingkungan"; pengajar berdasarkan jawaban melengkapi kata kunci yang terlewat, terutama "evaluasi dan seleksi" serta "tidak menetapkan solusi optimal tunggal"这两处.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan hubungan empat sumber dan titik konvergensi, barulah masuk ke halaman berikutnya tentang evolusi metode dan tensorisasi basis yang diuraikan secara spesifik.

<a id="lecture-page-4"></a>

### Perluasan Batas Evolusi oleh Model Besar dan Daya Komputasi

*Halaman 4*

> **Tujuan Halaman:** Pembelajar harus memahami bagaimana paralelisme GPU dan model besar bersama-sama memperluas ruang generasi dan eksplorasi kandidat.

> **Tujuan Halaman**
>
> Memahami bagaimana daya komputasi paralel GPU dan generasi semantik model besar bersama-sama membentuk basis rekayasa ganda komputasi evolusioner, dan memperluas batas kandidat dari parameter numerik ke program, struktur model, dan mekanisme algoritma.

> **Urutan Penjelasan**
>
> Pertama berikan dua pertanyaan umum — daya komputasi menentukan "berapa banyak kandidat yang dapat dijelajahi sekaligus", model besar menentukan "kandidat dalam bentuk apa yang dapat dijelajahi"; lalu jelaskan masing-masing dua basis, akhirnya jelaskan hubungan komplementer, perluasan luar tiga tingkat, dan biayanya.

**Poin Pengajaran**

- Evaluasi populasi tradisional adalah loop serial CPU, overhead penjadwalan terakumulasi seiring skala. Evaluasi batch tensorisasi mengorganisir kandidat, hasil evaluasi, dan status algoritma menjadi tensor yang dapat dihitung secara keseluruhan, membuat eksplorasi puluhan ribu kandidat secara bersamaan menjadi praktik rutin. Ini menyelesaikan throughput, tidak menilai baik buruknya kandidat, adalah dukungan dasar untuk perluasan ruang kandidat. Nilai model besar bukan pada menghitung lebih cepat, tetapi pada memahami kode, pengetahuan domain, dan konteks tugas, dapat menghasilkan fragmen kode, topologi model proxy, dan kandidat kompleks struktural lainnya, sehingga membuka ruang bentuk kandidat. Parameter numerik → struktur program/model → mekanisme algoritma. Dua tingkat pertama didorong oleh kemampuan generasi model besar, tingkat ketiga memasukkan proses "bagaimana menghasilkan, bagaimana mengevaluasi" itu sendiri ke dalam objek evolusi, adalah premis berdirinya jalur "menggunakan evolusi untuk memperbaiki evolusi" seperti MetaDE, AutoPSO. Daya komputasi memperluas luasnya pencarian, model besar meningkatkan kualitas kandidat dan kompleksitas bentuk
- Kekurangan salah satu pihak, perluasan batas tidak lengkap. Biaya evaluasi meningkat, verifikasi kebenaran menjadi lebih sulit, standar penentuan "jawaban yang dapat digunakan" lebih kabur, perlu terhubung dengan penimbangan multi-tujuan, keputusan ahli, dan tahap lainnya. Dalam optimasi airfoil, objek pencarian naik dari parameter numerik preset ke kode solver, struktur model proxy, bahkan skema generasi dan evaluasi itu sendiri
- Sekaligus perlu menambahkan manajemen anggaran evaluasi, verifikasi sintaks/antarmuka/batasan, fallback kegagalan, dan antarmuka keputusan ahli. Menganggap model besar sebagai kalkulator fitness yang lebih cepat, atau menganggap daya komputasi yang cukup dapat secara otomatis mencari kandidat tingkat program. Yang pertama kehilangan ruang bentuk, yang terakhir mengabaikan dari mana kandidat berasal.

**Penanganan Latihan**

Lima soal pilihan ganda dapat secara berurutan memeriksa peran daya komputasi, kemampuan model besar, urutan perluasan luar tiga tingkat, hubungan komplementer, dan kemampuan pendukung. Soal 1 harus memilih "komputasi batch tensorisasi"; soal 2 harus memilih "memahami kode, pengetahuan domain, dan konteks"; soal 3 harus memilih "parameter numerik→struktur program/model→mekanisme algoritma"; soal 4 harus memilih "komplementer, keduanya tidak dapat hilang"; soal 5 harus memilih "kontrol biaya evaluasi, verifikasi kebenaran, dan standar penentuan jawaban yang dapat digunakan". Jika siswa salah memilih, ingatkan untuk membedakan "menghitung banyak" dan "menghitung benar", serta "bentuk generasi" dan "throughput evaluasi" bukan hal yang sama.

**Pemeriksaan Pemahaman**

Minta siswa menjawab dua pertanyaan masing-masing dengan satu kalimat — berapa banyak kandidat yang dapat dijelajahi sekaligus ditentukan oleh apa, kandidat dalam bentuk apa yang dapat dijelajahi ditentukan oleh apa; lalu berikan contoh pergeseran dari optimasi parameter ke mekanisme algoritma.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menjelaskan pembagian komplementer daya komputasi dan model, barulah masuk ke bagian berikutnya tentang mekanisme konkret evolusi metode.

<a id="lecture-page-5"></a>

### Konflik Multidimensi dan Trade-off Masalah Dunia Nyata

*Halaman 5*

> **Tujuan Halaman:** Pembelajar harus memahami konflik multi-tujuan dan kebutuhan mempertahankan kandidat yang berbeda dalam tugas penelitian ilmiah nyata.

**Poin Pengajaran**

- Titik-titik pada Pareto frontier tidak saling mendominasi, hanya "lebih sesuai di bawah preferensi tertentu". Saat melihat grafik frontier, pertama tanyakan apa preferensi dan batasannya, baru bicarakan apakah suatu skema bagus.
- Jika populasi dengan cepat runtuh ke area sempit, periksa dulu apakah tekanan seleksi dan mekanisme pemeliharaan keragaman tidak seimbang. Begitu cakupan menurun, ketika batasan berubah Anda tidak memiliki cadangan yang dapat dialihkan.
- Ketika evaluasi nyata mahal dan sinyal jarang, prioritaskan mengalokasikan anggaran ke kandidat yang ketidakpastiannya tinggi dan mungkin memperluas cakupan ruang trade-off, bukan berulang kali menyempurnakan di sekitar solusi optimal saat ini.

> **Tujuan Halaman**
>
> Memahami konflik multi-tujuan, trade-off Pareto, dan kebutuhan mempertahankan kandidat yang berbeda dalam penelitian ilmiah dan optimasi rekayasa nyata.
>
> Urutan penjelasan dan poin:
>
> 1. Masuk dari konflik. Tugas nyata jarang hanya memiliki tujuan tunggal dan batasan yang jelas, sering ada beberapa tujuan yang saling mengikat. Misalnya pengurangan waktu pengisian cepat membawa panas dan kerusakan masa pakai, peningkatan gaya angkat sering disertai peningkatan gaya hambat, penipisan airfoil memperbaiki aerodinamika tetapi melemahkan kekuatan struktural. Oleh karena itu tidak ada optimal gratis, yang disebut optimal harus menjelaskan "optimal di bawah preferensi apa".
>
> 2. Memahami solusi sebagai satu set solusi trade-off. Himpunan solusi masalah multi-tujuan adalah Pareto frontier. Setiap titik pada frontier adalah solusi non-dominan, mewakili orientasi preferensi yang wajar; tanpa memperburuk tujuan lain, tidak dapat terus memperbaiki tujuan mana pun. Tidak ada peringkat absolut antar titik, hanya "lebih sesuai di bawah preferensi tertentu". Solusi yang didominasi memiliki skema yang dapat memperbaikinya secara menyeluruh.
>
> 3. Eksplorasi lebih diutamakan daripada konvergensi. Konvergensi terlalu dini ke satu titik akan memampatkan ruang solusi menjadi satu titik, kehilangan informasi struktural; begitu batasan, biaya, atau risiko berubah, tidak ada cadangan yang dapat dialihkan, hanya bisa mencari ulang. Harus mempertahankan keragaman populasi, membiarkan arah preferensi berbeda disampel dan dievaluasi secara bersamaan, menghindari semua individu runtuh ke area sempit frontier. Nilai diferensiasi terletak pada merespons perubahan.
>
> 4. Basis komputasi mendukung perluasan multi-arah. EvoX mengorganisir kandidat, hasil evaluasi, dan status algoritma menjadi tensor yang dapat dihitung secara keseluruhan, membuat mutasi, evaluasi, dan pembaruan status masuk ke grafik komputasi untuk menerima optimasi kompilasi; penjadwal Runtime mendistribusikan komputasi batch ke GPU, perangkat akselerasi, atau kluster terdistribusi. Evaluasi batch throughput tinggi membuat pemeliharaan populasi besar dan cakupan seluruh frontier layak secara rekayasa.
>
> 5. Ketika evaluasi mahal dan umpan balik jarang, strategi alokasi anggaran harus berubah. Evaluasi nyata sering berasal dari simulasi, rig uji, atau produksi percobaan, biaya satu kali tinggi, sinyal jarang. Harus menggunakan model proxy untuk menggantikan sebagian evaluasi fidelitas tinggi, mengalokasikan anggaran terbatas ke kandidat yang ketidakpastiannya tinggi dan dapat memperluas cakupan ruang trade-off, bukan berulang kali menyempurnakan di sekitar solusi optimal saat ini.
>
> 6. Kepemilikan keputusan. Algoritma bertanggung jawab memperluas ruang trade-off, menyediakan himpunan kandidat yang dapat dibandingkan; ahli manusia membuat keputusan akhir berdasarkan preferensi skenario, regulasi, batasan komersial. Keduanya komplementer, tidak dapat saling menggantikan. Secara rekayasa, mengirimkan satu set solusi Pareto dengan penjelasan "preferensi—skema" lebih dapat diandalkan daripada mengirimkan satu titik yang tampak presisi.

> **Petunjuk Materi**
>
> - Diagram Pareto frontier dengan koordinat "gaya angkat ↑ / gaya hambat ↓", menandai frontier yang dibentuk solusi non-dominan, solusi yang didominasi, konvergensi terlalu dini yang menyebabkan keruntuhan keragaman, dan pengambilan sampel paralel sepanjang arah preferensi berbeda. Saat menjelaskan dapat meminta siswa terlebih dahulu menilai titik mana pada gambar yang mungkin berada di frontier, lalu menjelaskan pengambil keputusan perlu memilih titik berdasarkan batasan skenario.

**Penanganan Latihan**

Q1 pilihan yang benar adalah "frontier terdiri dari satu set solusi trade-off yang saling tidak mendominasi, setiap titik sesuai dengan orientasi preferensi yang wajar". Dapat ditanyakan: jika suatu titik masih dapat diperbaiki secara menyeluruh, maka ia tidak berada di frontier. Q2 pilihan yang benar adalah "konvergensi terlalu dini akan kehilangan informasi struktural ruang solusi, tidak dapat dengan cepat beralih cadangan ketika batasan atau preferensi berubah". Tekankan ini adalah masalah informasi, bukan masalah daya komputasi semata. Q3 pilihan yang benar adalah "mencakup ruang trade-off yang lebih luas dengan anggaran evaluasi terbatas, dan menggunakan model proxy untuk menggantikan sebagian evaluasi fidelitas tinggi". Q4 pilihan yang benar adalah "algoritma memperluas ruang trade-off dan menyediakan himpunan kandidat, ahli manusia membuat keputusan akhir berdasarkan preferensi dan batasan". Q5 pilihan yang benar adalah "meningkatkan gaya angkat biasanya disertai peningkatan gaya hambat, penipisan airfoil menguntungkan aerodinamika tetapi melemahkan struktur, perlu trade-off".

Konflik tujuan, pengisian cepat akan menghasilkan panas dan mempercepat kerusakan masa pakai; preferensi akan berubah, model kendaraan, sistem baterai, daya stasiun pengisian cepat, dan kebijakan garansi yang berbeda akan mengubah bobot waktu pengisian dan masa pakai; evaluasi nyata mahal dan jarang, mengirimkan himpunan solusi yang mencakup frontier dapat menggunakan kembali anggaran evaluasi. Proses yang dapat dioperasikan: pertama lakukan sejumlah kecil evaluasi fidelitas tinggi dan kalibrasi parameter, membangun strategi dasar dan sampel perturbasi; melatih dan memverifikasi model proxy; mengaktifkan pemeliharaan keragaman dan pengambilan sampel multi-arah di EvoX, mengalokasikan evaluasi tambahan ke area yang jarang dan berketidakpastian tinggi berdasarkan cakupan frontier; mengeluarkan grup strategi kandidat dan tabel korespondensi preferensi—skema;

akhirnya dipilih oleh insinyur kendaraan dan baterai berdasarkan jangkauan, daya pengisian cepat, garansi, regulasi keselamatan, dan biaya, dan disempurnakan sedikit di lingkungan sekitar.

**Pemeriksaan Pemahaman**

Minta siswa dengan kata-kata sendiri mengucapkan "mengapa optimasi multi-tujuan mengirimkan satu set solusi bukan satu titik", dan memberikan contoh nilai himpunan solusi ini ketika preferensi berubah. Jika siswa hanya mengingat "konflik tujuan", dapat diingatkan untuk menambahkan "Pareto frontier", "keragaman adalah jumlah informasi", "anggaran evaluasi dialokasikan ke batas cakupan".

<a id="lecture-page-6"></a>

### Ide Inti dan Lompatan Evolusi Metode

*Halaman 6*

> **Tujuan Halaman:** Pembelajar harus memahami terobosan teoretis dari memasukkan metode generasi kandidat ke dalam objek evolusi.

**Poin Pengajaran**

- Standar penilaian evolusi metode sangat sederhana: apakah variabel optimasi mencakup metode, operator, atau strategi yang menghasilkan kandidat. Jika hanya solusi yang berubah, itu masih optimasi tradisional; jika lapisan metode juga menerima umpan balik dan diperbarui, itu adalah evolusi metode.
- Lapisan solusi menjawab "apakah kandidat ini bagus", lapisan metode menjawab "bagaimana menghasilkan kandidat yang lebih baik". Kedua lapisan terhubung melalui sinyal evaluasi, jangan salah menganggap pembaruan lapisan metode sebagai penyempurnaan solusi tunggal.
- Evolusi metode tidak mengejar optimal sekali, tetapi mengejar generalisasi lintas tugas, ketangguhan, keragaman, dan biaya komputasi. Saat mengulang gunakan "solver yang lebih pandai menemukan solusi" untuk menguji apakah Anda benar-benar memahami.

> **Tujuan Halaman**
>
> Menjadikan "metode yang menghasilkan solusi kandidat" itu sendiri sebagai objek optimasi, mengubah algoritma dari alat yang tetap menjadi solver yang terus berevolusi.
>
> Urutan penjelasan dan poin pengajaran:
>
> 1. Pertama tentukan titik lompatan. Jalur tradisional adalah "masalah→algoritma tetap→solusi kandidat", algoritma dipilih sebelumnya oleh peneliti, tidak berubah selama proses pencarian, objek optimasi adalah solusi x. Evolusi metode menulis ulang jalur menjadi "keluarga masalah/lingkungan→ruang metode yang dapat dievolusikan→generator kandidat→evaluasi solusi kandidat→pembaruan metode→generasi ulang", variabel optimasi diperluas ke metode, operator, aturan hyper-heuristik, atau proses generasi kandidat m. "Metode" di sini dapat konkret ke strategi mutasi Differential Evolution, bobot inersia dan topologi Particle Swarm, operator pencarian lokal, juga dapat naik ke pemilihan algoritma dan aturan penjadwalan.
>
> Objek evolusi diperluas dari solusi, parameter, struktur ke metode, operator, aturan hyper-heuristik, atau proses generasi kandidat; masalah dirumuskan ulang sebagai "mengevolusikan solver yang lebih pandai menemukan solusi dalam tugas atau lingkungan"; metode menghasilkan kandidat dan menerima evaluasi tugas, evaluasi mendorong mutasi, seleksi, dan rekombinasi metode, membentuk umpan balik berkelanjutan antara lapisan metode dan lapisan solusi; standar evaluasi bermigrasi dari optimal sekali ke generalisasi lintas tugas, lintas lingkungan, ketangguhan, keragaman, dan biaya komputasi; peran peneliti berubah menjadi merancang ruang metode yang dapat dievolusikan, sinyal umpan balik, dan mekanisme seleksi.
>
> 3. Fokus menjelaskan loop tertutup umpan balik. Lapisan metode menghasilkan generator kandidat, lapisan solusi menggunakannya untuk menghasilkan kandidat pada tugas konkret dan mendapatkan evaluasi; evaluasi setelah agregasi atau alokasi kredit kembali ke lapisan metode, mendorong mutasi, seleksi, dan rekombinasi metode itu sendiri. Jika umpan balik terlalu jarang atau hanya memberi hadiah pada optimal jangka pendek, lapisan metode mudah overfitting ke tugas tunggal; jika umpan balik mencakup generalisasi lintas tugas dan keragaman, barulah mungkin mempelajari meta-strategi "lebih pandai menemukan solusi". Dapat dipahami sebagai membuka lapisan pencarian evolusi lagi pada ruang metode, tetapi evaluasinya tidak dapat lepas dari kinerja nyata lapisan solusi.
>
> MetaDE menjadikan strategi, parameter, bahkan kombinasi operator Differential Evolution sebagai objek yang dapat dievolusikan; AutoPSO memasukkan struktur, parameter, atau topologi Particle Swarm ke dalam pencarian otomatis. Keduanya berbagi titik awal yang sama: memasukkan metode yang menghasilkan kandidat ke dalam objek optimasi, mewujudkan evolusi diri algoritma. Halaman ini pertama membangun konsep terpadu, selanjutnya akan menguraikan arsitektur konkret dan evolusi struktur algoritma.
>
> Jika metode tetap tidak berubah, sistem masih mencari solusi di bawah algoritma yang diberikan; hanya ketika lapisan metode juga menerima umpan balik dan diperbarui, barulah masuk ke evolusi metode. Lapisan solusi menjawab "apakah kandidat ini bagus", lapisan metode menjawab "bagaimana menghasilkan kandidat yang lebih baik". Kedua lapisan terhubung melalui sinyal evaluasi, jangan salah menganggap pembaruan lapisan metode sebagai penyempurnaan solusi tunggal.

> **Petunjuk Materi**
>
> - Dapat dikombinasikan dengan diagram struktur konsep pada halaman — sisi kiri adalah rantai jalur tunggal tradisional, sisi kanan adalah loop tertutup evolusi metode, di tengah dengan "lompatan: metode menjadi objek optimasi" menonjolkan perbedaan
> - Di bawah ditandai MetaDE / AutoPSO sebagai arah implementasi. Petunjuk latihan dan pemeriksaan pemahaman: Soal konsep harus memilih terobosan teoretis "memasukkan metode generasi kandidat ke dalam objek evolusi". Jawaban benar menunjukkan pemahaman konsisten dengan silabus
> - Jawaban salah tinjau dulu konsep inti lalu coba lagi. Saat menilai pernyataan seperti "algoritma berubah dari alat tetap menjadi solver yang terus berevolusi", pilihan paling wajar adalah yang dapat menjelaskan konsep halaman ini dengan bukti atau contoh, dan dapat menjelaskan dasarnya
> - Hindari melewati materi dan langsung menghafal, hanya menyimpulkan berdasarkan perasaan, atau mengubah semua faktor sekaligus untuk membandingkan. Platform optimasi kombinasi multi-tugas memperkenalkan evolusi metode. Perumusan ulang masalah: dari "menemukan solusi optimal untuk setiap tugas di bawah algoritma genetika tetap" menjadi "mengevolusikan solver yang lebih pandai menemukan solusi dalam keluarga tugas atau lingkungan". Ruang metode yang dapat dievolusikan dapat mencakup jenis dan intensitas operator crossover dan mutasi, strategi seleksi, operator pencarian lokal, aturan hyper-heuristik, strategi kontrol parameter, proses generasi kandidat, serta kombinasi strategi gaya MetaDE, struktur topologi dan parameter gaya AutoPSO. Loop tertutup umpan balik: lapisan metode menyampel atau memutasikan satu set metode atau konfigurasi operator, lapisan solusi menghasilkan kandidat pada beberapa tugas dan menghitung fitness
> - Kinerja lintas tugas diagregasi menjadi sinyal umpan balik, kembali ke lapisan metode untuk seleksi, mutasi, dan rekombinasi, memperbarui distribusi metode, lalu masuk ke generasi putaran berikutnya. Migrasi evaluasi: tidak hanya melihat optimal sekali per tugas tunggal, tetapi melihat generalisasi lintas tugas, ketangguhan, keragaman, biaya komputasi, dan stabilitas. Risiko utama: meta-layer overfitting ke sejumlah kecil tugas atau hadiah jangka pendek, menyebabkan keruntuhan keragaman ruang metode
> - Cara penanganan termasuk pengambilan sampel tugas, regularisasi, pemeliharaan keragaman, dan verifikasi berlapis.

**Aktivitas Kelas**

Minta siswa dengan kata-kata sendiri mengulang rantai "keluarga masalah/lingkungan→ruang metode yang dapat dievolusikan→generator kandidat→evaluasi solusi kandidat→pembaruan metode→generasi ulang", dan memberikan contoh membedakan lapisan metode dan lapisan solusi. Secara acak minta seorang siswa merangkum poin utama halaman ini, pengajar melengkapi kata kunci yang terlewat.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan standar penilaian — apakah variabel optimasi mencakup metode, operator, atau strategi yang menghasilkan kandidat, dan apakah lapisan metode menerima umpan balik dan diperbarui — barulah masuk ke halaman berikutnya tentang arsitektur konkret, aplikasi, atau ringkasan.

**Cakupan Kata Kunci**

- Evolusi metode, Meta-Evolution, ruang metode yang dapat dievolusikan, generator kandidat, lapisan metode dan lapisan solusi, loop tertutup umpan balik, MetaDE, AutoPSO, generalisasi lintas tugas, ketangguhan, keragaman, biaya komputasi.

<a id="lecture-page-7"></a>

### Evolusi Dua Lapis Dalam dan Luar serta Mekanisme Adaptif

*Halaman 7*

> **Tujuan Halaman:** Pembelajar harus menguasai mekanisme kolaborasi dua lapis antara penyelesaian tugas lapisan dalam dan optimasi strategi lapisan luar.

**Poin Pengajaran**

- Saat mengingat tanyakan dulu: siapa yang menyelesaikan masalah? Siapa yang mengubah metode? Lapisan dalam mengeluarkan solusi dan kinerja, lapisan luar mengeluarkan konfigurasi dan strategi. Lalu hubungkan "kinerja lapisan dalam → fitness lapisan luar → pembaruan konfigurasi lapisan dalam" menjadi loop tertutup.
- Fitness lapisan luar mengevaluasi kinerja suatu set konfigurasi lapisan dalam pada tugas batch, bukan nilai tujuan optimal tugas tunggal. Memahami hal ini dapat menghindari salah menganggap lapisan luar sebagai solver langsung lainnya.
- Jika varians evaluasi lapisan dalam besar, lapisan luar mungkin menganggap konfigurasi yang kebetulan berkinerja baik sebagai benar-benar lebih baik. Saat mengulang pikirkan bagaimana kinerja rata-rata, statistik yang tangguh, dan menambah sampel evaluasi membantu lapisan luar membuat keputusan yang stabil.

Tujuan Halaman

Halaman ini berpusat pada evolusi dua lapis dalam dan luar serta mekanisme adaptif, mengharuskan pembelajar memahami bahwa evolusi metode bukan hanya mengoptimalkan solusi, tetapi menambahkan kontrol meta-layer yang dapat berevolusi di atas lapisan penyelesaian tugas, sehingga sistem dapat secara otomatis menyesuaikan metode penyelesaian berdasarkan perubahan tugas dan lingkungan. Setelah selesai harus dapat menjelaskan pembagian tanggung jawab lapisan dalam dan luar, cara pembentukan loop tertutup umpan balik, serta peran paralelisme GPU di dalamnya.

Urutan Penjelasan

Siapa yang menyelesaikan masalah? Siapa yang mengubah metode? Dari sini memunculkan lapisan dalam mengeluarkan solusi dan kinerja, lapisan luar mengeluarkan konfigurasi dan strategi. Lalu hubungkan "kinerja lapisan dalam → fitness lapisan luar → pembaruan konfigurasi lapisan dalam" menjadi loop tertutup, membantu siswa memahami struktur dua lapis secara keseluruhan.

Poin Pengajaran

1. Lapisan dalam adalah lapisan penyelesaian tugas. Ia bertanggung jawab menyelesaikan tugas aktual, menjalankan banyak tugas konkret secara paralel, mengeluarkan solusi kandidat, nilai tujuan f, serta kinerja operasi, seperti konsumsi sumber daya, langkah konvergensi, tingkat keberhasilan. Jangkar memori adalah "menyelesaikan soal".

2. Lapisan luar adalah lapisan evolusi metode. Ia tidak langsung menyelesaikan tugas asli, tetapi mengevolusikan konfigurasi, strategi, dan parameter algoritma lapisan dalam, mencakup operasi evaluasi, seleksi, mutasi, pembaruan. Jangkar memori adalah "membuat cara menyelesaikan soal menjadi lebih baik".

3. Loop tertutup umpan balik adalah kunci struktur dua lapis. Kinerja tugas batch lapisan dalam diagregasi menjadi sinyal fitness lapisan luar, digunakan untuk seleksi, mutasi, dan memperbarui konfigurasi lapisan dalam yang lebih baik; konfigurasi yang diperbarui kembali ke lapisan dalam, membentuk loop tertutup.

4. Mekanisme adaptif terwujud sebagai lapisan luar yang terus menyesuaikan strategi lapisan dalam seiring perubahan tugas dan lingkungan. Ia bukan menghubungkan dua algoritma secara serial sederhana, tetapi menambahkan kontrol meta-layer yang dapat berevolusi di atas lapisan penyelesaian tugas, membuat sistem beralih dari algoritma yang ditetapkan manual ke algoritma yang secara otomatis beradaptasi dengan tugas.

Lapisan dalam mengeluarkan "solusi", lapisan luar mengeluarkan "metode yang lebih baik untuk menghasilkan solusi". Fitness lapisan luar bukan nilai optimal tugas asli itu sendiri, tetapi evaluasi kinerja suatu set konfigurasi lapisan dalam pada tugas batch.

GPU dapat menjalankan banyak tugas lapisan dalam secara paralel, menyediakan umpan balik statistik yang lebih memadai untuk evolusi lapisan luar, dan mengurangi biaya tunggu pencarian. Di sini perlu ditekankan, paralelisme meningkatkan dukungan statistik dan efisiensi, tidak membatalkan evaluasi, juga tidak menjamin optimal global.

DE lapisan dalam bertanggung jawab atas tugas optimasi konkret, lapisan luar berdasarkan kinerja operasi lapisan dalam memilih dan menyesuaikan konfigurasi dan strategi DE, seperti strategi mutasi, laju crossover, ukuran populasi; hasil banyak tugas lapisan dalam membimbing pemilihan konfigurasi lapisan luar secara terbalik, membentuk loop tertutup dua lapis "menggunakan evolusi untuk memperbaiki evolusi".

Petunjuk Materi

Sisi kiri adalah lapisan penyelesaian tugas lapisan dalam, sisi kanan adalah lapisan evolusi metode lapisan luar. Sisi kiri mengeluarkan solusi kandidat, nilai tujuan, dan kinerja operasi, melalui "data kinerja → sinyal fitness" masuk ke sisi kanan; sisi kanan setelah evaluasi, seleksi, mutasi, pembaruan, melalui "memperbarui konfigurasi dan strategi lapisan dalam" kembali ke sisi kiri. Bagian bawah ditandai paralelisme GPU, digunakan untuk menjalankan tugas lapisan dalam secara batch.

Pemeriksaan Pemahaman

Bagaimana kinerja lapisan dalam mempengaruhi lapisan luar? Jika siswa hanya mengatakan "menjalankan tugas secara paralel", ingatkan untuk menambahkan "diagregasi menjadi sinyal fitness, lalu mendorong seleksi, mutasi, dan pembaruan".

Penanganan Latihan

Latihan halaman ini berpusat pada pembagian tanggung jawab, loop tertutup umpan balik, peran paralelisme, dan "menggunakan evolusi untuk memperbaiki evolusi".

Tanggung jawab utama lapisan dalam adalah menyelesaikan tugas aktual, menghasilkan solusi kandidat, nilai tujuan, dan data kinerja operasi. Tekankan lapisan dalam terlebih dahulu menghasilkan solusi dan kinerja, lapisan luar baru mengevolusikan konfigurasi dan strategi.

Lapisan luar tidak langsung menyelesaikan tugas asli, karena tanggung jawabnya adalah mengevolusikan konfigurasi, strategi, dan parameter algoritma lapisan dalam, termasuk kontrol meta-layer. Pegang "bagaimana metode berevolusi", bukan "apa solusinya".

Hasil evaluasi lapisan dalam diagregasi menjadi sinyal fitness lapisan luar, digunakan untuk seleksi, mutasi, dan memperbarui konfigurasi lapisan dalam. Kunci struktur dua lapis adalah loop tertutup umpan balik, bukan paralelisme loop terbuka.

Peran terpenting paralelisme GPU banyak tugas lapisan dalam adalah menyediakan umpan balik statistik yang lebih memadai dan mengurangi biaya tunggu pencarian. Paralelisme meningkatkan dukungan statistik dan efisiensi, tidak sama dengan membatalkan evaluasi atau menjamin optimal global.

"Menggunakan evolusi untuk memperbaiki evolusi" berarti lapisan luar mengevolusikan konfigurasi dan strategi algoritma lapisan dalam, kinerja lapisan dalam memberi umpan balik ke fitness lapisan luar, membentuk loop tertutup dua arah.

Saat benar puji siswa dapat menghubungkan konsep halaman ini dan menjelaskan dasarnya; saat salah bimbing kembali ke dua titik penilaian pembagian tanggung jawab dan loop tertutup umpan balik.

Penanganan Kasus

DE menyelesaikan pada instance penjadwalan konkret, menghasilkan solusi kandidat, nilai tujuan, langkah konvergensi, dan kinerja operasi lainnya. Tanggung jawab lapisan luar: tidak langsung menjadwalkan produksi, tetapi mengevolusikan konfigurasi dan strategi DE, seperti strategi mutasi, laju crossover, ukuran populasi. Loop tertutup umpan balik: kinerja tugas batch lapisan dalam diagregasi menjadi sinyal fitness lapisan luar, lapisan luar berdasarkan itu memilih, memutasikan, dan memperbarui konfigurasi lapisan dalam yang lebih baik; konfigurasi yang diperbarui kembali ke lapisan dalam.

Jika varians evaluasi lapisan dalam besar, fitness lapisan luar dapat menggunakan kinerja rata-rata dari beberapa pengulangan atau tugas batch, median, statistik yang tangguh, atau batas bawah kepercayaan dengan penalti, mengurangi kesalahan pemilihan yang disebabkan varians tinggi; bila perlu tambah jumlah sampel evaluasi per set konfigurasi. Paralelisme GPU dapat menjalankan banyak tugas lapisan dalam secara batch, memperbesar ukuran sampel dan mempersingkat waktu tunggu, membuat estimasi fitness lapisan luar lebih stabil.

Petunjuk Transisi

Setelah memastikan siswa dapat mengatakan "lapisan dalam mengeluarkan solusi dan kinerja, lapisan luar mengeluarkan konfigurasi dan strategi, kinerja lapisan dalam memberi umpan balik ke fitness lapisan luar", barulah masuk ke halaman berikutnya tentang aplikasi, contoh soal, atau ringkasan.

<a id="lecture-page-8"></a>

### Implementasi Evolusi Metode Tipikal: Arsitektur MetaDE

*Halaman 8*

> **Tujuan Halaman:** Pembelajar harus memahami bagaimana MetaDE menyerahkan strategi mutasi dan parameter Differential Evolution ke optimasi lapisan luar.

**Poin Pengajaran**

- Lapisan luar mencari konfigurasi algoritma, lapisan dalam mencari solusi masalah. Melihat 「strategi, cara crossover, F, CR dioptimalkan」 adalah lapisan luar; melihat 「apakah solusi ini bagus」 adalah lapisan dalam. Menilai deskripsi apa pun termasuk lapisan mana, pertama tanyakan apakah yang dioptimalkan adalah konfigurasi atau solusi.
- Satu kali operasi lapisan dalam memiliki keacakan, menggunakannya langsung untuk membandingkan dua konfigurasi mudah menghasilkan kesimpulan kebetulan. Sebelum membandingkan biarkan konfigurasi berjalan independen beberapa kali dan ambil rata-rata (atau median), baru serahkan ke lapisan luar untuk seleksi, jika tidak lapisan luar memilih noise acak.
- Biaya evaluasi kira-kira sama dengan jumlah individu lapisan luar × generasi × jumlah pengulangan lapisan dalam. Hitung dulu akun ini dengan jelas, baru putuskan investasi paralelisasi, tensorisasi, dan penjadwalan runtime; jika tidak, lapisan luar belum konvergen, anggaran waktu dan daya komputasi sudah habis.

【Tujuan Halaman】Memahami bagaimana MetaDE menyerahkan strategi mutasi dan parameter kunci Differential Evolution ke optimasi evolusi lapisan luar, sehingga mengubah "bagaimana berevolusi" dari preset manual menjadi pencarian adaptif.

【Urutan Penjelasan】Pertama jelaskan struktur dua lapis (lapisan luar mencari algoritma, lapisan dalam menyelesaikan masalah), lalu jelaskan objek evolusi lapisan luar dan loop tertutup verifikasi, selanjutnya bandingkan dengan DE tetap dan jelaskan biaya dan premis, akhirnya berikan contoh minimal dan positioning.

【Poin Pengajaran】

Lapisan evolusi luar menjadikan satu konfigurasi algoritma DE sebagai satu individu, melakukan seleksi, crossover, mutasi, dan eliminasi pada ruang konfigurasi; lapisan tugas dalam adalah proses penyelesaian rutin Differential Evolution pada tugas optimasi asli. Objek optimasi lapisan luar adalah konfigurasi algoritma (menentukan "bagaimana mencari"), objek optimasi lapisan dalam adalah solusi masalah (menentukan "seberapa baik mencari"). Dapat dikombinasikan dengan diagram: lapisan luar mencakup strategi rand/1, best/1, current-to-best/1, cara crossover, F, CR, dll.; konfigurasi kandidat dikirim ke bawah, kinerja nyata dikembalikan.

Satu individu lapisan luar mengkodekan seluruh perilaku algoritma, termasuk strategi mutasi, cara crossover, faktor skala F, probabilitas crossover CR, ukuran populasi, dll. Perbedaan antar individu sesuai dengan kecenderungan perilaku algoritma keluarga yang sama di bawah karakteristik masalah berbeda.

Setiap konfigurasi kandidat harus dikirim ke tugas asli untuk benar-benar dijalankan, menerima verifikasi kinerja nyata; lapisan luar berdasarkan fitness yang diumpan balikkan lapisan dalam melakukan seleksi, eliminasi, dan pemeliharaan. Membentuk loop tertutup iteratif "generasi konfigurasi→verifikasi tugas→umpan balik seleksi". Fitness lapisan luar hanya dapat berasal dari hasil operasi nyata lapisan dalam, tidak dapat hanya berdasarkan meta-indikator atau penilaian prior.

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

Setiap konfigurasi kandidat harus menjalankan tugas lapisan dalam satu kali lengkap (biasanya juga perlu beberapa kali operasi independen untuk mengambil rata-rata guna menekan keacakan), biaya evaluasi berlipat ganda seiring ukuran populasi dan generasi lapisan luar. Anggaran evaluasi kira-kira sama dengan jumlah individu lapisan luar × generasi × jumlah pengulangan lapisan dalam. Oleh karena itu MetaDE sangat bergantung pada basis rekayasa seperti paralelisasi, tensorisasi, dan penjadwalan runtime.

Individu tertentu dalam populasi lapisan luar dikodekan sebagai "rand/1 + crossover binomial + F=0.5, CR=0.9", konfigurasi ini dikirim ke tugas lapisan dalam untuk menjalankan beberapa kali operasi independen, mengambil rata-rata fitness sebagai fitness individu lapisan luar; lapisan luar berdasarkan itu memilih, memutasikan, dan mempertahankan konfigurasi yang lebih baik, membentuk loop tertutup iteratif "generasi konfigurasi—verifikasi tugas—umpan balik seleksi". Langkah ini adalah bentuk minimal yang dapat dijalankan dari "menggunakan algoritma evolusi untuk memperbaiki algoritma evolusi".

MetaDE adalah implementasi konkret dari "evolusi dua lapis dalam dan luar serta mekanisme adaptif" dari ide menjadi arsitektur yang dapat diwujudkan, juga menyediakan paradigma metode untuk evolusi struktur algoritma selanjutnya (AutoPSO, EvoGO).

Konfigurasi algoritma Differential Evolution, termasuk strategi mutasi, cara crossover, dan parameter kontrol), alasan harus benar-benar dijalankan (jawaban: hanya hasil operasi nyata yang dapat menjadi dasar fitness yang dapat diandalkan untuk seleksi lapisan luar, penilaian prior mudah tidak konsisten dengan kinerja aktual), perubahan kunci dari DE tetap (jawaban: strategi dan parameter kontrol tidak lagi tetap sepanjang proses, tetapi ditentukan secara dinamis oleh evolusi lapisan luar), sumber biaya komputasi utama (jawaban: setiap konfigurasi kandidat harus menjalankan tugas lapisan dalam satu kali lengkap, biaya evaluasi berlipat ganda seiring skala dan generasi lapisan luar), hubungan dengan pekerjaan selanjutnya (jawaban: MetaDE memberikan paradigma implementasi "menggunakan algoritma evolusi untuk memperbaiki algoritma evolusi", menyediakan referensi metode untuk evolusi struktur algoritma selanjutnya).

Jika salah memilih, kembali dulu ke pembagian "lapisan luar mencari konfigurasi, lapisan dalam menyelesaikan masalah", serta definisi "loop tertutup verifikasi". Dua pertanyaan soal kasus: poin pertanyaan pertama adalah tidak ada jaminan konsistensi yang dapat diandalkan antara meta-indikator atau pengalaman prior dengan kinerja tugas aktual, harus menggunakan umpan balik nyata lapisan dalam sebagai dasar seleksi, jika tidak akan mempertahankan konfigurasi yang tampak wajar tetapi kinerja aktualnya buruk, arah evolusi dibelokkan secara sistematis;

poin pertanyaan kedua adalah pertama perkirakan anggaran total jumlah evaluasi (ukuran populasi lapisan luar × generasi × jumlah pengulangan lapisan dalam), kompres ukuran populasi atau generasi lapisan luar dengan tepat, prioritaskan memastikan jumlah pengulangan lapisan dalam tidak kurang dari level yang dapat mengestimasi rata-rata secara stabil (misalnya 5 hingga 10 kali), sekaligus meningkatkan derajat paralelisme, bila perlu gunakan early stopping atau model proxy untuk penyaringan awal, tetapi kandidat apa pun yang masuk ke perbandingan akhir dan menentukan diterima atau tidak, tetap harus melalui verifikasi nyata tugas asli. Bahasa umpan balik dapat merujuk: saat benar puji kemampuannya menghubungkan konsep halaman ini dan menjelaskan dasarnya; saat salah ingatkan untuk kembali ke penjelasan halaman ini, temukan bukti kunci atau contoh baru menilai.

【Pemeriksaan Pemahaman】Secara acak minta seorang siswa dengan kata-kata sendiri merangkum struktur dua lapis MetaDE dan loop tertutup verifikasi, pengajar berdasarkan jawaban melengkapi kata kunci yang terlewat, seperti "lapisan luar mengoptimalkan konfigurasi algoritma", "lapisan dalam mengoptimalkan solusi masalah", "konfigurasi kandidat harus benar-benar dijalankan sekali", "fitness hanya dapat berasal dari hasil operasi nyata".

【Petunjuk Transisi】Setelah memastikan siswa dapat mengatakan "lapisan luar mencari konfigurasi algoritma, lapisan dalam mencari solusi masalah" serta loop tertutup "generasi konfigurasi→verifikasi tugas→umpan balik seleksi", barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-9"></a>

### Evolusi Struktur Algoritma: AutoPSO dan EvoGO

*Halaman 9*

> **Tujuan Halaman:** Pembelajar harus memahami cara lompatan dari optimasi parameter ke evolusi struktur algoritma.

**Poin Pengajaran**

- Menghadapi metode baru, pertama tentukan ruang pencarian lapisan luarnya: jika yang dicari adalah konfigurasi numerik, itu penyetelan parameter; jika yang dicari adalah kombinasi komponen dan cara generasi kandidat, itu mengubah struktur. Urutan pertanyaan ini memungkinkan Anda menilai level metode dalam satu kalimat.
- Memperlebar rentang pencarian faktor pembelajaran atau ukuran populasi seberapa pun, struktur tetap, bentuk perilaku tidak akan berubah, pada dasarnya masih lapisan parameter. Standar penilaiannya adalah "apakah kombinasi komponen dapat berubah", bukan "apakah rentang nilai lebih besar".
- Ruang pencarian evolusi lapisan struktur lebih besar, setiap evaluasi lebih mahal, oleh karena itu seleksi lapisan luar harus mengandalkan sampel pembanding "struktur—kinerja" yang cukup padat. Sebelum bertindak tanyakan dulu pada diri sendiri: apakah ada kemampuan paralel batch, yang dapat mengevaluasi banyak tugas lapisan dalam secara bersamaan? Tanpa ini, evolusi struktur mudah tenggelam oleh noise operasi.

> **Tujuan Halaman**
>
> Halaman ini berfokus pada "evolusi struktur algoritma". Pembelajar harus memahami cara lompatan dari optimasi parameter ke evolusi struktur algoritma, dan dapat menggunakan "level ruang pencarian lapisan luar" sebagai kriteria, membedakan penyetelan parameter dan perubahan struktur.
>
> Urutan penjelasan dan poin pengajaran:
>
> 1. Pertama bandingkan MetaDE dengan AutoPSO / EvoGO. Ruang pencarian lapisan luar MetaDE adalah konfigurasi dan strategi algoritma lapisan dalam (faktor pembelajaran, probabilitas mutasi, tekanan seleksi, dll.), termasuk lapisan parameter: struktur tetap, hanya menyetel nilai, yang berubah adalah intensitas perilaku. Ruang pencarian lapisan luar AutoPSO / EvoGO adalah struktur algoritma itu sendiri: komponen mana yang berpartisipasi dalam kombinasi, bagaimana proses generasi kandidat, bagaimana status diperbarui. Yang dapat berubah pada lapisan struktur adalah komponen dan cara koneksi, yang berubah adalah bentuk perilaku. Kunci penilaian bukan nama metode, tetapi apa yang sebenarnya dicari lapisan luar.
>
> Rumus pembaruan kecepatan—posisi PSO klasik ditulis mati. AutoPSO memecahnya menjadi kolam komponen yang dapat dikombinasikan, termasuk suku kecepatan, topologi lingkungan, suku perturbasi, strategi restart, dll.; kemudian evolusi lapisan luar memilih dan merakit menjadi generator kandidat baru. Dengan demikian "struktur pembaruan" itu sendiri menjadi variabel yang dapat dicari. Tekankan: menyetel faktor pembelajaran hanya mengubah intensitas perilaku, mengubah kombinasi komponen baru mengubah bentuk perilaku.
>
> Menekankan menghubungkan umpan balik historis ke jalur evolusi struktur. Jejak pencarian dan catatan kinerja sebelumnya tidak lagi hanya digunakan untuk "memilih solusi", tetapi untuk menentukan "ke mana struktur harus diubah selanjutnya". Umpan balik berubah dari penyaring hasil menjadi kemudi pembaruan struktur — yang diubahnya adalah arah kandidat struktur putaran berikutnya, bukan memilih hasil dari sekumpulan kandidat yang sudah selesai.
>
> Keduanya berbagi kerangka yang sama — algoritma lapisan dalam berjalan pada tugas nyata, lapisan luar berdasarkan kinerja lapisan dalam mengevolusikan struktur. Premis kunci adalah kepadatan sampel: paralelisme GPU menjalankan banyak tugas lapisan dalam secara batch, membuat sampel pembanding "struktur—kinerja" cukup padat, seleksi lapisan luar baru memiliki makna statistik, tidak akan dipengaruhi noise operasi tunggal. Makna rekayasa: algoritma berubah dari "pilihan prior sekali" menjadi "objek yang dapat terus diperbaiki"; biayanya adalah ruang pencarian lapisan struktur lebih besar, biaya evaluasi lebih tinggi, oleh karena itu bergantung pada basis paralel tensorisasi, ini juga merupakan motivasi langsung topik paralelisme GPU bagian berikutnya.

> **Petunjuk Materi**
>
> - Kolam komponen kiri (operator yang dapat dikombinasikan), perakitan struktur tengah (pemilihan struktur yang didorong umpan balik historis), generator kandidat kanan (diinstansiasi oleh struktur lapisan luar)
> - Bagian bawah evaluasi tugas lapisan dalam dan operasi batch paralel GPU, dan melalui panah umpan balik mengirim kinerja lapisan dalam kembali ke lapisan luar. Saat menjelaskan dapat mengikuti urutan "kombinasi—instansiasi—evaluasi—umpan balik".

**Penanganan Latihan**

Halaman ini memiliki 5 soal pilihan ganda. Soal 1 pilihan yang benar adalah "apakah ruang pencarian lapisan luar adalah konfigurasi dan strategi algoritma lapisan dalam, atau struktur algoritma itu sendiri"; poin umpan balik: mencari nilai = menyetel parameter, mencari kombinasi komponen dan cara generasi kandidat = mengubah struktur. Soal 2 pilihan yang benar adalah "memecah Particle Swarm Optimization menjadi kolam komponen yang dapat dikombinasikan, dipilih dan dirakit oleh evolusi lapisan luar menjadi generator kandidat baru". Soal 3 pilihan yang benar adalah "dari hanya digunakan untuk 'memilih solusi', menjadi digunakan untuk menentukan 'ke mana struktur harus diubah selanjutnya'". Soal 4 pilihan yang benar adalah "membuat sampel pembanding 'struktur—kinerja' cukup padat, seleksi lapisan luar baru memiliki makna statistik". Soal 5 pilihan yang benar adalah "menggabungkan ulang suku kecepatan, topologi lingkungan, suku perturbasi, dan strategi restart menjadi generator kandidat baru".

Setiap soal jawaban benar dapat memuji kemampuannya menghubungkan konsep halaman ini dan menjelaskan dasarnya; jawaban salah ingatkan untuk kembali ke penjelasan halaman ini mencari bukti kunci atau contoh.

Penanganan soal kasus:

Kasus meminta meningkatkan solver PSO dengan struktur tetap menjadi sistem yang dapat dievolusikan strukturnya. Kriteria pertanyaan 1: lihat level ruang pencarian lapisan luar. Jika hanya menyetel bobot inersia, faktor pembelajaran, ukuran populasi, jumlah iterasi, dan nilai numerik lainnya, masih termasuk lapisan parameter; hanya ketika lapisan luar dapat mengubah kombinasi komponen dan cara generasi kandidat, misalnya memilih dan merakit ulang suku kecepatan, topologi lingkungan, suku perturbasi, strategi restart, membuat bentuk perilaku berubah, barulah dianggap melompat ke lapisan struktur. Verifikasi yang dapat dioperasikan: bekukan semua hyperparameter numerik, hanya izinkan lapisan luar mengubah kombinasi komponen, jika perilaku pencarian masih mengalami perubahan esensial, maka naik ke lapisan struktur.

Menyusun catatan operasi lapisan dalam setelah setiap instansiasi struktur menjadi fitur umpan balik yang terstruktur (kombinasi komponen, jejak konvergensi, bentuk kurva fitness, pola kegagalan atau stagnasi, dll.), membiarkan fitur-fitur ini langsung mendorong aturan pembaruan struktur lapisan luar, misalnya menentukan "komponen mana yang diprioritaskan untuk diubah selanjutnya, menambah atau menghapus koneksi mana", bukan hanya mengurutkan dan mengambil yang optimal. Perbedaan dengan "hanya digunakan untuk memilih solusi": ketika hanya digunakan untuk memilih solusi umpan balik adalah penyaring hasil setelah kejadian; dalam penggunaan gaya EvoGO umpan balik adalah pengontrol arah sebelum kejadian. Dan ingatkan perlu dikombinasikan dengan paralelisme GPU menjalankan banyak tugas lapisan dalam secara batch, mengumpulkan sampel pembanding yang cukup padat.

**Cakupan Kata Kunci**

- AutoPSO, EvoGO, MetaDE, lapisan parameter, lapisan struktur, kolam komponen, generator kandidat, umpan balik historis, paralelisme GPU, sampel pembanding struktur—kinerja. Pemeriksaan pemahaman dan aktivitas kelas: Bagaimana menilai apakah suatu metode termasuk penyetelan parameter atau perubahan struktur? Apa yang masing-masing dilakukan AutoPSO dan EvoGO? Dapat juga meminta siswa dengan contoh yang dekat dengan pengalaman mengulang urutan pertanyaan "apa yang dicari lapisan luar".

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan perbedaan lapisan parameter dan lapisan struktur, serta ketergantungan evolusi struktur pada kepadatan sampel paralel, barulah masuk ke halaman berikutnya tentang konten paralelisme GPU atau ringkasan aplikasi selanjutnya.

<a id="lecture-page-10"></a>

### Paralelisme GPU dan Menggunakan Evolusi untuk Memperbaiki Evolusi

*Halaman 10*

> **Tujuan Halaman:** Pembelajar harus menguasai cara menggunakan paralelisme GPU untuk menjadikan optimasi diri algoritma sebagai proses komputasi yang dapat dijalankan.

> **Tujuan Halaman**
>
> Memahami dalam arsitektur dua lapis "menggunakan evolusi untuk memperbaiki evolusi", bagaimana paralelisme GPU mengubah throughput evaluasi lapisan dalam menjadi umpan balik statistik yang dapat digunakan lapisan luar, membuat optimasi diri algoritma menjadi proses yang dapat dijalankan.

> **Urutan Penjelasan**
>
> Pertama bangun intuisi loop tertutup dua lapis — eksekusi batch dan penilaian lapisan dalam, agregasi kinerja lapisan tengah, seleksi, mutasi, atau pembaruan konfigurasi lapisan luar; lalu jelaskan mengapa paralelisme GPU tidak dapat digantikan; akhirnya gunakan titik mudah salah dan latihan untuk memeriksa apakah siswa benar-benar membedakan tanggung jawab dua lapisan.

**Poin Pengajaran**

- 1. Struktur dua lapis. Lapisan dalam bertanggung jawab menjalankan banyak konfigurasi algoritma kandidat secara batch di GPU, misalnya hyperparameter, operator, atau strategi pencarian yang berbeda, dan menyelesaikan operasi serta penilaian untuk setiap instance tugas. Granularitas tugas kecil, jumlah besar, tepat cocok dengan karakteristik throughput batch. Lapisan tengah merangkum kinerja mentah banyak tugas lapisan dalam menjadi indikator statistik, mengestimasi keunggulan dan kekurangan setiap konfigurasi pada seluruh distribusi tugas, membentuk fitness yang digunakan lapisan luar. Lapisan luar dengan input umpan balik statistik menjalankan seleksi, mutasi, atau pembaruan, menghasilkan konfigurasi generasi berikutnya dan mengirim kembali ke lapisan dalam, membentuk loop tertutup. Throughput paralel → umpan balik kinerja → pemilihan konfigurasi. Semakin tinggi derajat paralelisme, semakin memadai sampel umpan balik, estimasi fitness lapisan luar semakin stabil, arah perbaikan konfigurasi semakin dapat diandalkan
- Konfigurasi yang diperbaiki dikirim kembali ke lapisan bawah, masuk ke throughput paralel putaran berikutnya. 3. Paralelisme GPU tidak dapat digantikan. Di bawah loop serial tradisional, waktu dinding satu putaran iterasi ditentukan bersama oleh "jumlah konfigurasi kandidat × jumlah sampel tugas", skala sedikit besar sudah tidak dapat ditanggung, loop serial menjadi hambatan utama yang membatasi ruang konfigurasi dan skala sampel tugas. Paralelisme GPU membuat banyak algoritma lapisan dalam berjalan bersamaan, menurunkan loop serial dari hambatan utama menjadi overhead batch yang dapat diterima, sehingga secara bersamaan memperbesar ruang konfigurasi yang dapat dijelajahi dan jumlah sampel tugas.

> **Petunjuk Materi**
>
> - Diagram loop tertutup dari bawah ke atas mewakili kinerja tugas dan umpan balik fitness, dari atas ke bawah mewakili pengiriman konfigurasi
> - Setiap unit mewakili satu operasi paralel dan penilaian konfigurasi algoritma pada satu instance tugas. Saat menjelaskan dapat menekankan dua aliran data atas dan bawah arahnya berlawanan, tetapi keduanya tidak dapat hilang. Lapisan dalam adalah "algoritma menjalankan tugas, mengeluarkan skor", lapisan luar adalah "evolusi memilih konfigurasi", jangan mencampuradukkan dua lapisan. Umpan balik hanya dapat berasal dari kinerja operasi nyata lapisan dalam, tidak dapat berupa tebakan acak lapisan luar atau konstanta yang ditetapkan manusia. Apakah fitness lapisan luar stabil, tergantung pada jumlah sampel yang disediakan paralelisme lapisan dalam
> - Semakin memadai paralelisme, semakin stabil estimasi
> - Ketika sampel sedikit periksa dulu throughput lapisan dalam, bukan terburu-buru menyesuaikan parameter lapisan luar.

**Penanganan Latihan**

Soal 1 pilihan yang benar adalah "data kinerja yang diagregasi setelah tugas lapisan dalam berjalan paralel di GPU". Jika siswa salah memilih, kembali ke jalur loop tertutup tekankan: umpan balik pasti berasal dari hasil operasi nyata banyak tugas lapisan dalam, bukan angka acak atau label manual.

Soal 2 pilihan yang benar adalah "waktu dinding satu putaran yang terakumulasi dari banyak konfigurasi kandidat dan sampel tugas dalam loop serial". Jika siswa salah memilih, ingatkan hambatan ada pada throughput evaluasi, bukan masalah yang tidak terkait skala komputasi seperti definisi operator, aproksimasi distribusi, atau interpretabilitas.

Soal 3 pilihan yang benar adalah "eksekusi dan evaluasi paralel lapisan dalam → agregasi umpan balik kinerja → seleksi atau mutasi konfigurasi lapisan luar". Jika siswa salah memilih, tekankan data pertama dihasilkan lapisan dalam, lalu diagregasi menjadi umpan balik, akhirnya digunakan lapisan luar untuk pemilihan konfigurasi, urutannya tidak dapat dibalik; dua lapisan harus bertukar informasi baru dapat berdiri.

Soal 4 pilihan yang benar adalah "umpan balik statistik tidak memadai, noise estimasi fitness lapisan luar meningkat, konvergensi melambat". Jika siswa salah memilih, jelaskan paralelisme yang tidak memadai tidak sama dengan sistem berhenti, tetapi membuat umpan balik statistik menjadi jarang, varians membesar, sehingga memperlambat bahkan menyesatkan pencarian lapisan luar.

Soal 5 pilihan yang benar adalah "satu operasi paralel dan penilaian konfigurasi algoritma tertentu pada instance masalah tertentu". Jika siswa salah memilih, ingatkan unit tugas lapisan dalam adalah satu eksekusi dan penilaian "konfigurasi × instance masalah", ribuan tugas seperti ini berjalan paralel baru membentuk throughput.

Pertanyaan 1 perlu menjelaskan lapisan dalam menjalankan konfigurasi algoritma secara batch paralel di GPU dan menyelesaikan penilaian, indikator diagregasi menjadi umpan balik statistik untuk mengestimasi fitness, lapisan luar berdasarkan itu menjalankan seleksi, mutasi, atau pembaruan dan mengirim kembali konfigurasi generasi berikutnya, membentuk loop tertutup "throughput paralel—umpan balik kinerja—pemilihan konfigurasi". Pertanyaan 2 harus menggabungkan throughput dan kualitas umpan balik: loop serial CPU membuat jumlah konfigurasi kandidat dan jumlah sampel tugas terbatas oleh throughput single-thread, waktu dinding satu putaran dengan cepat tidak dapat ditanggung seiring pertumbuhan skala; sampel umpan balik berkurang, varians membesar, penilaian lapisan luar terhadap keunggulan konfigurasi tidak stabil, arah pencarian mudah menyimpang, konvergensi melambat bahkan stagnan. Paralelisme GPU melalui peningkatan throughput lapisan dalam, sekaligus memperbesar konfigurasi dan skala tugas yang dapat dijelajahi, dan menjamin kualitas statistik umpan balik.

**Pemeriksaan Pemahaman**

Minta siswa dengan kata-kata sendiri mengulang "throughput paralel → umpan balik kinerja → pemilihan konfigurasi", dan menunjukkan apa yang masing-masing dipertanggungjawabkan lapisan dalam dan lapisan luar. Jika siswa hanya mengingat GPU cepat, tetapi tidak menjelaskan umpan balik berasal dari operasi nyata lapisan dalam, perlu kembali ke diagram loop tertutup untuk menjelaskan tambahan.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan tanggung jawab dua lapisan, dan mengatakan kualitas umpan balik tergantung pada jumlah sampel paralel lapisan dalam, barulah masuk ke halaman berikutnya tentang aplikasi, contoh soal, atau ringkasan.

<a id="lecture-page-11"></a>

### Merancang Cetak Biru Eksperimen Optimasi Dua Lapis

*Halaman 11*

> **Tujuan Halaman:** Pembelajar harus melalui praktik merancang skema eksperimen yang menjadikan faktor mutasi Differential Evolution sebagai objek evolusi lapisan luar.

**Poin Pengajaran**

- Tanpa pembanding sejajar dengan F = 0.5 tetap dan DE adaptif klasik, "lapisan luar menang" apa pun hanyalah noise. Baseline harus menggunakan anggaran evaluasi yang sama, perangkat keras yang sama, dan himpunan seed acak yang sama dengan skema Anda.
- Evaluasi lapisan dalam secara alami berisik: jalankan berulang dan amati bersamaan rata-rata, median, dan kuantil terburuk, bila perlu laporkan interval kepercayaan; pisahkan tugas pelatihan dan tugas validasi, hindari lapisan luar hanya mengingat beberapa seed yang beruntung.
- Pemetaan setiap gen ke konfigurasi runtime harus ditulis sebagai aturan yang dapat langsung dieksekusi, dan dicatat bersama eksperimen termasuk seed, anggaran, ID tugas, perangkat keras, dan kondisi berhenti. Orang lain dapat memutar ulang sesuai catatan ini, cetak biru baru benar-benar berdiri.

> **Tujuan Halaman**
>
> Meningkatkan faktor mutasi F Differential Evolution (DE) dari hyperparameter tetap menjadi objek yang dapat dievolusikan lapisan luar, merancang cetak biru eksperimen optimasi dua lapis yang dapat dieksekusi dan diputar ulang.
>
> Urutan penjelasan dan poin pengajaran:
>
> 1. Pertama berikan loop tertutup dua lapis. Lapisan luar bertanggung jawab mengevolusikan strategi F, lapisan dalam menggunakan konfigurasi F tertentu untuk menjalankan DE menyelesaikan tugas, dan mengembalikan kinerja tugas ke lapisan luar. Lapisan luar berdasarkan umpan balik memperbarui konfigurasi, membentuk siklus "konfigurasi → eksekusi → evaluasi → pembaruan".
>
> 2. Lapisan dalam harus dibuat sebagai eksperimen yang dapat diulang. Setelah memilih fungsi benchmark atau tugas, kunci struktur utama DE, dimensi, anggaran evaluasi, dan himpunan seed acak, satu-satunya kuantitas yang berubah adalah konfigurasi F yang dikirim lapisan luar. Setiap operasi mencatat nilai optimal, generasi konvergensi, tingkat keberhasilan, jumlah pelanggaran batasan, hypervolume, keragaman kandidat, dan indikator lainnya; ini adalah semua informasi yang dapat dilihat lapisan luar.
>
> 3. Yang dicari lapisan luar bukan satu nilai numerik, tetapi satu strategi F. Pengkodean umum termasuk F konstan, konstanta bertahap (seperti [F1,F2,F3] beralih berdasarkan interval generasi) dan fungsi penjadwalan yang dikontrol oleh sejumlah kecil gen (seperti dipicu oleh tingkat keberhasilan, varians populasi, atau proporsi generasi). Pengkodean tipe strategi harus menulis dengan jelas fitur input dan aturan output.
>
> 4. Pemetaan genotipe ke konfigurasi runtime harus eksplisit dan dapat direproduksi. Misalnya [F awal, F akhir, peluruhan] dapat dipetakan ke F(t)=F awal+(F akhir−F awal)×e^(−peluruhan×t/T), di mana t adalah generasi saat ini, T adalah total generasi; [F1,F2,F3] dapat dipetakan ke tiga segmen konstanta. Genotipe yang sama harus selalu mendapatkan konfigurasi runtime yang sama, jika tidak "gen baik" yang dipelajari lapisan luar tidak dapat dijelaskan, juga sulit bermigrasi.
>
> 5. Eksekusi loop tertutup bergantung pada evaluasi batch. Setelah populasi lapisan luar menghasilkan sekumpulan konfigurasi F, penjadwal mengirim tugas DE lapisan dalam secara paralel, evaluasi batch tensorisasi di GPU, merangkum indikator lalu masuk ke seleksi, mutasi, crossover, dan pembaruan lapisan luar. Perlu mencatat seed, anggaran, ID tugas, model perangkat keras, dan kondisi berhenti, sehingga orang lain dapat memutar ulang dengan kondisi yang sama.
>
> 6. Agregasi evaluasi harus tangguh. Lapisan dalam secara alami berisik, oleh karena itu dapat dijalankan independen beberapa kali, melaporkan rata-rata, median, kuantil terburuk, atau interval kepercayaan; sekaligus membedakan tugas pelatihan dan tugas validasi, menghindari lapisan luar hanya mengingat beberapa seed yang beruntung.
>
> Pertama gunakan model fidelitas rendah atau evaluasi proxy untuk penyaringan kasar, lalu evaluasi ulang fidelitas tinggi untuk sedikit kandidat; perlindungan baseline: F=0.5 tetap dan DE adaptif klasik harus dibandingkan sejajar, dan gunakan eksperimen ablasi untuk memastikan 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 parameter manual, saat itu harus memperbesar ruang pengkodean.

**Cakupan Kata Kunci**

- Optimasi dua lapis, evolusi lapisan luar, evaluasi lapisan dalam, strategi F, pemetaan eksplisit, evaluasi batch GPU, baseline, ablasi, dapat direproduksi, perlindungan noise.

> **Petunjuk Materi**
>
> - Halaman menggunakan diagram loop tertutup "loop lapisan luar—tugas lapisan dalam—pemetaan konfigurasi—umpan balik tugas" untuk menunjukkan cetak biru, dan mencantumkan kolom wajib: tujuan tugas lapisan dalam, objek strategi lapisan luar, cara pemetaan F, indikator evaluasi, paralelisme dan anggaran, baseline/ablasi/kondisi berhenti. Petunjuk latihan dan panduan jawaban: Soal 1 pilihan yang benar adalah "mengunci struktur utama DE, dimensi, anggaran evaluasi, dan himpunan seed acak". Poinnya adalah hanya ketika faktor lain terkunci, perbedaan yang disebabkan konfigurasi F berbeda dapat diatribusikan ke F. Soal 2 pilihan yang benar adalah "penjadwalan kontinu F(t) yang meluruh secara eksponensial dengan generasi". [F awal, F akhir, peluruhan] tiga gen masing-masing mengontrol titik awal, titik akhir, dan laju peluruhan. Soal 3 pilihan yang benar adalah "dikirim oleh penjadwal secara paralel tugas DE lapisan dalam, dan evaluasi batch tensorisasi di GPU". Konfigurasi harus dieksekusi dan diukur terlebih dahulu, baru dapat memperbarui fitness lapisan luar. Soal 4 pilihan yang benar adalah "dijalankan independen beberapa kali dan diagregasi berdasarkan median, kuantil terburuk, dll., sekaligus membedakan tugas pelatihan dan tugas validasi". Ini adalah kunci menghadapi noise lapisan dalam dan mencegah overfitting seed yang beruntung. Soal 5 pilihan yang benar adalah "dibandingkan sejajar dengan baseline F=0.5 tetap, DE adaptif klasik, dll., dan melakukan eksperimen ablasi untuk memastikan sumber keuntungan". Perbandingan di bawah anggaran, perangkat keras, himpunan seed yang sama, kesimpulan baru berdiri. Latihan kasus meminta memberikan aturan pemetaan dan skema agregasi evaluasi. Dapat merancang penjadwalan kontinu atau konstanta bertahap, tetapi harus eksplisit, dapat direproduksi
> - Lapisan dalam mencatat nilai optimal, generasi konvergensi, tingkat keberhasilan, dan varians, lapisan luar dapat diagregasi menjadi peringkat, suku konvergensi, dan penalti varians
> - Gunakan F tetap dan DE adaptif sebagai baseline, lalu jalankan grup ablasi "matikan evolusi lapisan luar, hanya sampel acak sejumlah konfigurasi yang sama", verifikasi keuntungan bukan dari peningkatan jumlah evaluasi.

**Aktivitas Kelas**

Minta siswa berkelompok merancang cetak biru eksperimen optimasi dua lapis yang menjadikan faktor mutasi DE sebagai objek evolusi lapisan luar, dan menggambar loop tertutup lapisan luar dan lapisan dalam di papan tulis; setiap kelompok setidaknya menulis aturan pemetaan genotipe ke F, indikator evaluasi, cara agregasi fitness lapisan luar, skema baseline dan ablasi.

**Pemeriksaan Pemahaman**

Secara acak minta siswa menjelaskan dengan dua kalimat "mengapa selain F semuanya harus dikunci" serta "mengapa pemetaan eksplisit adalah premis yang dapat direproduksi". Jika siswa dapat menghubungkan atribusi, migrasi, dan pemutaran ulang, menunjukkan sudah menguasai inti halaman ini.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menggambar loop tertutup "pemetaan konfigurasi → eksekusi lapisan dalam → umpan balik tugas → pembaruan lapisan luar", dan mengatakan peran baseline dan ablasi, barulah masuk ke halaman berikutnya tentang contoh soal atau ringkasan.

<a id="lecture-page-12"></a>

### Perkembangan Berkelanjutan Sistem Cerdas dan Tantangan Lingkungan

*Halaman 12*

> **Tujuan Halaman:** Pembelajar harus memahami tantangan adaptasi lingkungan jangka panjang yang harus dihadapi sistem yang didorong model besar.

**Poin Pengajaran**

- Memadatkan perkembangan berkelanjutan menjadi satu mantra: generasi kandidat → verifikasi lingkungan nyata → penyaringan (terima / tolak) → penyimpanan hasil. Jika ada satu mata rantai yang hilang, komponen cerdas yang kuat hanya dapat berhenti pada "kemampuan titik tunggal".
- Kenaikan skor benchmark hanya menunjukkan kandidat lebih baik pada data lama, tidak sama dengan lebih beradaptasi di lingkungan baru. Menilai apakah suatu perubahan layak dipertahankan, lihat kinerjanya di lingkungan nyata, bukan peringkat pada set pemutaran ulang.
- Tanyakan pada diri sendiri: apakah sistem saya menyimpan dan menggunakan kembali hasil yang telah diverifikasi? Apakah pernah menolak modifikasi yang akan merusak kemampuan yang sudah ada? Jika kedua jawabannya "tidak", maka ia belum benar-benar memulai "perkembangan berkelanjutan".

Tujuan Halaman

Halaman ini membahas perkembangan berkelanjutan dan tantangan lingkungan sistem cerdas, intinya bukan terus menanyakan seberapa kuat satu komponen cerdas, tetapi memahami komponen cerdas yang kuat hanyalah material, harus diorganisir ke dalam kerangka sistem yang dapat beradaptasi dengan lingkungan jangka panjang.

Poin Pengajaran

1. Komponen kuat tidak sama dengan sistem berkelanjutan. Model yang lebih besar, kemampuan generasi dan penalaran yang lebih kuat, skor benchmark yang lebih tinggi, semuanya tidak secara otomatis membawa adaptasi jangka panjang. Menghubungkan komponen cerdas ke sistem hanya menyelesaikan langkah pertama.

Generasi kandidat, verifikasi lingkungan nyata, penyaringan perubahan, persistensi hasil. Generasi kandidat memerlukan produksi berkelanjutan strategi, struktur, atau kandidat parameter yang benar-benar berbeda; jika kandidat sangat homogen, evolusi kehilangan bahan mentah. Verifikasi lingkungan nyata membiarkan kandidat masuk ke tugas nyata dan umpan balik nyata, mengungkap pergeseran distribusi, kondisi batas, dan skenario ekor panjang yang tidak terlihat oleh indikator offline. Penyaringan perubahan harus menerima perubahan yang efektif, menolak modifikasi yang akan merusak kemampuan yang sudah ada, yang terakhir sering menjadi sumber utama degradasi jangka panjang. Persistensi hasil menyimpan skema, strategi, atau pengalaman yang telah diverifikasi efektif, untuk digunakan kembali oleh generasi kandidat selanjutnya, membentuk lintasan perkembangan yang dapat diakumulasi.

Indikator offline hanya menggambarkan kinerja pada data masa lalu, sedangkan dalam lingkungan nyata distribusi tugas akan bergeser, batasan sumber daya akan berubah, kebutuhan baru terus mengalir masuk. Hanya mengoptimalkan dalam tujuan preset atau indikator offline, sistem akan berputar pada tujuan proxy yang tertutup; begitu lingkungan berubah, perubahan yang belum diverifikasi secara nyata dapat diam-diam menggerogoti kemampuan yang sudah ada. Oleh karena itu penyaringan dan memori sama-sama kunci.

Dari apa yang dapat dilakukan komponen cerdas, diperluas ke bagaimana sistem mengorganisir perkembangan berkelanjutan dan menghadapi tantangan lingkungan nyata. Tanpa empat jenis mekanisme, agen cerdas yang kuat juga mungkin mengulangi kesalahan dalam tugas jangka panjang, atau merusak kemampuan asli dalam pembaruan; setelah empat jenis mekanisme membentuk loop tertutup, kemampuan kuat baru dapat diakumulasi secara stabil.

Petunjuk Materi

Diagram dapat menonjolkan dari komponen cerdas kuat terhubung ke kerangka sistem perkembangan berkelanjutan, lingkungan eksternal dengan pergeseran tugas, batasan sumber daya, kebutuhan baru yang mengalir masuk membentuk tekanan berkelanjutan, panah loop tertutup sesuai dengan kandidat batch, umpan balik nyata, perubahan setelah penyaringan, presipitasi dan penggunaan kembali.

Kesalahpahaman Umum

Menganggap peningkatan skor satu kali tes benchmark sebagai sistem yang sudah menyelesaikan evolusi. Peningkatan skor hanya menunjukkan kandidat lebih baik pada data lama; apakah layak diterima dan disimpan, masih memerlukan verifikasi lingkungan nyata dan penyaringan.

Petunjuk Latihan

Yang paling akurat adalah membangun kerangka organisasi sistem yang dapat menghadapi perubahan lingkungan jangka panjang, membiarkan kandidat menerima verifikasi nyata dan disaring, diakumulasi, dan disimpan. Soal pilihan ganda 2: harus verifikasi nyata, karena optimasi offline tidak dapat mengungkap cara kegagalan kandidat di lingkungan nyata. Soal pilihan ganda 3: peran inti setelah verifikasi adalah menerima perubahan efektif, menolak modifikasi yang merusak kemampuan yang sudah ada, dan menyimpan hasil yang telah diverifikasi secara persisten. Soal pilihan ganda 4: tanpa empat jenis mekanisme, yang paling mungkin terjadi adalah mengulangi kesalahan jangka panjang atau merusak kemampuan yang sudah ada dalam pembaruan. Soal pilihan ganda 5: titik perhatian diperluas dari apa yang dapat dilakukan komponen cerdas ke bagaimana sistem mengorganisir perkembangan berkelanjutan dan menghadapi tantangan lingkungan.

Saat mendiagnosis sistem penanganan otomatis lingkungan produksi, harus menunjukkan kekurangan generasi kandidat, verifikasi lingkungan nyata, penyaringan perubahan, dan persistensi hasil, dan menjelaskan konsekuensinya masing-masing: strategi homogen menyebabkan kegagalan berulang pada jenis kegagalan yang sama, pemutaran ulang offline tidak dapat mengungkap pergeseran produksi, pembaruan yang merusak diluncurkan sepenuhnya, pengalaman tidak disimpan membuat sesi baru mulai dari nol. Skema perbaikan dapat menggunakan shadow traffic atau kanal canary untuk verifikasi nyata, menetapkan gerbang perubahan, membangun basis pengalaman menyimpan skema yang telah diverifikasi dan kondisi penerapannya; sekaligus menjelaskan trade-off: canary dan gerbang ketat akan menurunkan kecepatan evolusi dan efisiensi peluncuran, serta meningkatkan biaya, perlu menyeimbangkan antara kecepatan eksplorasi dan tidak adanya degradasi kemampuan yang sudah ada.

Pemeriksaan Pemahaman

Apakah sistem saya menyimpan dan menggunakan kembali hasil yang telah diverifikasi? Apakah pernah menolak modifikasi yang akan merusak kemampuan yang sudah ada? Jika keduanya tidak, sistem belum benar-benar memulai perkembangan berkelanjutan.

Petunjuk Transisi

Setelah memastikan siswa dapat mengulang loop tertutup empat mata rantai dan keharusannya, barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-13"></a>

### Memulai Cepat dan Konfigurasi Lingkungan yang Disederhanakan

*Halaman 13*

> **Tujuan Halaman:** Pembelajar harus memahami cara mengakses kerangka EvoX dengan cepat melalui alat dan antarmuka yang ringkas.

**Poin Pengajaran**

- Setelah lingkungan disiapkan, pertama gunakan contoh minimal untuk memastikan jalur "masalah → algoritma → operasi → hasil" lancar, baru beralih ke eksperimen nyata. Banyak masalah yang tampak "algoritma tidak konvergen", sebenarnya berasal dari dependensi yang hilang atau perangkat yang tidak dipanggil dengan benar.
- Setelah instalasi selesai segera periksa apakah versi dependensi dan jenis perangkat target (CPU / GPU / kluster) cocok. Masalah lingkungan semakin cepat terungkap, biaya perbaikan semakin rendah; menunggu sampai eksperimen panjang di tengah jalan melaporkan kesalahan, waktu yang terbuang akan jauh melebihi investasi verifikasi awal.
- Buat modul algoritma dan masalah hanya bergantung pada antarmuka standar, jangan hardcode perangkat atau skala paralel spesifik dalam kode. Dengan demikian saat diperluas dari single machine ke kluster terdistribusi, seringkali hanya perlu menyesuaikan konfigurasi penjadwalan Runtime, tanpa menulis ulang logika algoritma.

Tujuan Halaman

Bagaimana menyelesaikan instalasi dan inisialisasi EvoX dengan alur minimal yang dibantu AI, dan melalui antarmuka standar menghubungkan sumber daya komputasi bawah dengan lingkungan evolusi, membuat peneliti secepat mungkin kembali ke "merancang masalah".

Urutan Penjelasan

Pertama tunjukkan kontradiksi inti — saat benar-benar mulai melakukan eksperimen, yang pertama dihadapi seringkali bukan masalah algoritma, tetapi masalah lingkungan seperti instalasi paket, penyelarasan dependensi, pemilihan perangkat, dan lokalisasi kesalahan. Selanjutnya berikan empat langkah alur minimal "instalasi → konfigurasi → verifikasi → operasi", lalu munculkan desain decoupling antarmuka standar, akhirnya gunakan kesalahpahaman umum dan latihan untuk memperkuat.

Poin Pengajaran

Menyelesaikan inisialisasi lingkungan, memastikan eksperimen ini menggunakan CPU, GPU, atau kluster; verifikasi: periksa apakah dependensi lengkap, apakah perangkat komputasi target dapat dikenali dan dipanggil; operasi: jalankan contoh minimal, pastikan jalur "masalah → algoritma → operasi → hasil" lengkap. Setelah empat langkah selesai mendapatkan garis baseline yang dapat dipercaya, anomali selanjutnya dapat digunakan untuk perbandingan, menilai apakah masalah ada di lingkungan atau desain eksperimen.

2. Akses minimal yang dibantu AI. Alat AI dapat memadatkan operasi instalasi multi-langkah, penarikan dependensi, dan konfigurasi dasar menjadi satu atau dua instruksi bahasa alami, dan memberikan saran perbaikan yang ditargetkan saat konflik versi, dependensi hilang, atau perangkat tidak tersedia. Nilainya bukan menggantikan peneliti melakukan penelitian, tetapi menurunkan ambang akses kerangka, memadatkan biaya rekayasa non-penelitian.

3. Antarmuka standar. Modul algoritma, masalah, dan alur kerja hanya ditulis untuk antarmuka terpadu, apakah lapisan bawah adalah GPU, multi-core lokal, atau kluster terdistribusi, diserahkan ke penjadwalan Runtime. Saat mengganti perangkat keras atau menyesuaikan skala paralel biasanya tidak perlu menulis ulang kode algoritma, biaya kopling antara algoritma, masalah, dan daya komputasi menurun signifikan.

4. Kesalahpahaman umum. Memahami "konfigurasi minimal" sebagai "tidak perlu peduli lapisan bawah" adalah jebakan yang paling mudah terinjak. Minimal hanya menyerahkan pekerjaan berulang ke alat, apakah perangkat dan versi cocok, apakah daya komputasi benar-benar dijadwalkan, masih perlu dikonfirmasi pada tahap verifikasi. Semakin sederhana konfigurasi, semakin harus membiasakan "jalankan dulu contoh minimal, baru mulai eksperimen formal", jika tidak masalah lingkungan mungkin meledak di tengah eksperimen panjang, biayanya jauh lebih tinggi daripada verifikasi awal.

Aktivitas Kelas

Dapat meminta siswa dengan kata-kata sendiri mengulang alur halaman ini, dan memberikan contoh situasi "tampak algoritma tidak konvergen, sebenarnya dependensi hilang atau perangkat tidak dipanggil dengan benar", untuk menguji pemahaman tentang peran tahap verifikasi.

Penanganan Latihan

5 soal pilihan ganda halaman ini berpusat pada nilai alat AI, tujuan antarmuka standar, poin penting tahap verifikasi, peran contoh minimal, strategi migrasi single machine ke kluster. Saat menangani pertama minta siswa memilih jawaban, lalu tanyakan dasarnya. Soal 1 pilihan yang benar adalah "memadatkan operasi instalasi multi-langkah, dependensi, dan konfigurasi menjadi sejumlah kecil instruksi, dan memberikan saran perbaikan saat kesalahan", harus membimbing siswa membedakan konfigurasi rekayasa dan desain algoritma, penjadwalan operasi. Soal 2 harus memilih "algoritma, masalah, dan daya komputasi", tekankan lapisan antarmuka terjepit antara lingkungan evolusi dan sumber daya komputasi bawah. Soal 3 harus memilih "apakah dependensi lengkap dan versi cocok, apakah perangkat komputasi target dapat dikenali dan dipanggil", ingatkan verifikasi menargetkan lingkungan dan sumber daya itu sendiri.

Soal 4 harus memilih "digunakan untuk memastikan jalur end-to-end antara instalasi, konfigurasi, pemanggilan perangkat, dan output hasil sudah terhubung", contoh minimal membangun baseline yang dapat dipercaya, bukan benchmark kinerja. Soal 5 harus memilih "mempertahankan modul algoritma dan masalah pada dasarnya tidak berubah, hanya menyesuaikan penjadwalan dan konfigurasi perangkat Runtime", karena penskalaan horizontal hanya mengubah konfigurasi penjadwalan, tidak menggerakkan kode algoritma dan masalah. Saat benar berikan pujian, saat salah bimbing siswa kembali ke paragraf yang sesuai mencari bukti.

Penanganan Kasus

"Menuntaskan peluncuran lingkungan eksperimen EvoX dalam satu minggu" memerlukan merancang alur minimal dan menjelaskan peran alat AI. Disarankan menguraikan dalam empat langkah: instalasi oleh AI berdasarkan lingkungan mesin menghasilkan instruksi instalasi EvoX dan dependensi serta menyatukan versi; konfigurasi oleh AI dikombinasikan dengan versi Python dan jenis perangkat menghasilkan konfigurasi dasar, memastikan menggunakan workstation GPU; verifikasi dependensi lengkap, versi kompatibel, GPU dapat dikenali dan dipanggil; operasi jalankan contoh minimal untuk menuntaskan jalur end-to-end. Peran alat AI menembus empat langkah: menerjemahkan operasi multi-langkah memeriksa dokumen, menelusuri kesalahan satu per satu menjadi sejumlah kecil instruksi yang dapat dieksekusi, dan memberikan saran perbaikan saat kesalahan.

Pertanyaan kedua tentang antarmuka standar menurunkan biaya kopling, poinnya adalah algoritma hanya ditulis untuk antarmuka terpadu, GPU mana yang konkret, berapa banyak proses lokal, atau node kluster mana yang menjalankan diserahkan ke Runtime, oleh karena itu migrasi biasanya hanya mengubah penjadwalan dan konfigurasi perangkat, tidak perlu menulis ulang kode algoritma dan masalah. Sebelum migrasi harus verifikasi: dependensi versi lingkungan baru dan lama konsisten, perangkat target dapat dikenali dan dipanggil, distribusi data dan komunikasi antar node normal, dan gunakan contoh minimal untuk menjalankan ulang jalur end-to-end pada topologi baru, sekaligus mencatat kinerja sebelum dan sesudah migrasi, menghindari salah menilai perbedaan lingkungan sebagai perbaikan algoritma.

Pemeriksaan Pemahaman

Secara acak minta seorang siswa dengan kata-kata sendiri merangkum poin utama halaman ini, pengajar berdasarkan jawaban melengkapi kata kunci yang terlewat, seperti "alur minimal empat langkah", "antarmuka standar", "decoupling", "baseline yang dapat dipercaya", "jalankan dulu contoh minimal", dll.

Petunjuk Transisi

Setelah memastikan siswa dapat mengatakan "konfigurasi minimal tidak sama dengan tidak perlu peduli lapisan bawah" serta dua hubungan "menulis algoritma di atas antarmuka, menjadwalkan daya komputasi di bawah antarmuka", barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-14"></a>

### Kemampuan Inti Peneliti dan Transformasi Pola Pikir

*Halaman 14*

> **Tujuan Halaman:** Pembelajar harus memahami pergeseran tanggung jawab inti peneliti dalam penelitian ilmiah yang dibantu AI dari menulis kode secara manual ke mengajukan pertanyaan kunci.

**Poin Pengajaran**

- Setiap kali memulai eksperimen tanyakan dulu pada diri sendiri: level perubahan kali ini adalah parameter, program, struktur algoritma, atau alur penelitian? Jika level tidak jelas, semua hasil selanjutnya sulit dijelaskan.
- Indikator, sinyal proxy, ambang penerimaan, kriteria kegagalan. Hanya menetapkan satu indikator utama adalah bahaya yang paling umum: tidak tahu "seberapa baik dianggap baik", juga tidak tahu "seberapa buruk harus dibuang", kesimpulan tentu tidak tahan pertanyaan.
- Apakah baseline pada level yang sama? Apakah anggaran sama? Apakah seed dijalankan ulang beberapa kali? Apakah kondisi daya komputasi konsisten? Apakah uji statistik tepat? Coba pikirkan: ganti satu seed acak, apakah kesimpulan Anda masih berdiri?

> **Tujuan Halaman**
>
> Memahami dalam penelitian ilmiah yang dibantu AI, tanggung jawab inti peneliti bergeser dari "menulis implementasi dengan tangan sendiri" ke "mengajukan pertanyaan kunci, mendefinisikan standar evaluasi, membuat penilaian kritis terhadap bukti". Halaman ini menggunakan radar kemampuan dan tiga jenis pertanyaan kunci, menjelaskan titik pijakan konkret transformasi pola pikir ini.
>
> Urutan penjelasan dan poin pengajaran:
>
> Di masa lalu kemampuan diukur dengan "bisakah menulis implementasi dengan tangan sendiri"; sekarang kode dan skrip eksperimen dapat dihasilkan cepat oleh AI, yang benar-benar langka adalah mengajukan pertanyaan kunci, mendefinisikan standar evaluasi dan perbandingan yang adil, serta membuat penilaian kritis terhadap bukti yang dihasilkan AI. Radar membandingkan "peneliti tradisional" dan "peneliti AI Native": yang pertama lebih menekankan implementasi pengkodean, yang terakhir lebih menonjol dalam definisi masalah, desain evaluasi, perbandingan adil, penilaian kritis, dan selera ilmiah, sesuai dengan "AI mewujudkan jawaban, manusia mengendalikan arah".
>
> Setelah biaya implementasi ditekan, peran peneliti bergeser dari "implementator" naik menjadi pendefinisi masalah, perancang eksperimen, dan arbiter bukti. Pendefinisi masalah menilai jenis masalah mana yang memiliki nilai ilmiah; perancang eksperimen mengubah ide kabur menjadi protokol eksperimen yang dapat dieksekusi, dapat direproduksi, dan dapat dibandingkan; arbiter bukti mempertahankan keraguan terhadap kurva, indikator, dan kesimpulan, menanyakan batas kepercayaan dan kondisi kegagalan.
>
> 3. Tiga jenis pertanyaan kunci yang harus dijawab manusia:
>
> Apakah yang akan diubah adalah parameter optimasi, implementasi program, struktur algoritma, atau alur penelitian itu sendiri? Level berbeda, makna kesimpulan sama sekali berbeda.
>
> Indikator, sinyal proxy, ambang penerimaan, kriteria kegagalan, keempatnya tidak dapat hilang. Hanya menetapkan satu indikator utama mudah membuat tidak tahu "seberapa baik dianggap baik", juga tidak tahu "seberapa buruk harus dibuang".
>
> Apakah baseline, anggaran, keacakan, kondisi daya komputasi, dan uji statistik sejajar. Perbandingan yang tidak sejajar sering salah membaca fluktuasi acak atau keunggulan daya komputasi sebagai kemajuan algoritma.
>
> AI dapat menghasilkan banyak skema "yang dapat berjalan", tetapi dapat berjalan tidak sama dengan bernilai. Taste matters — di antara banyak skema yang dapat berjalan menilai masalah mana, hipotesis mana, bukti mana yang benar-benar memiliki nilai ilmiah. Pusat gravitasi kemampuan bergeser dari kecepatan pengkodean ke pemikiran kritis, abstraksi sistem, penilaian domain, dan pembagian kerja manusia-mesin.
>
> Tugas gaya EvoX / MetaDE. AI sehari dapat menghasilkan puluhan varian operator mutasi dan skrip eksperimen pendukung, tetapi peneliti harus memutuskan apakah memperbaiki operator mutasi, mengoptimalkan alur evaluasi, atau merekonstruksi ruang pencarian, dan berdasarkan itu menetapkan indikator multi-tujuan dan baseline yang adil; jika tidak, yang didapat hanyalah hasil "yang dapat berjalan", bukan pengetahuan yang dapat dipercaya.
>
> Transformasi pola pikir, pendefinisi masalah, perancang eksperimen, arbiter bukti, objek perubahan, umpan balik evaluasi, perbandingan adil, Taste matters, AI mewujudkan jawaban/manusia mengendalikan arah.

> **Petunjuk Materi**
>
> - Radar enam dimensi — implementasi pengkodean, definisi masalah, desain evaluasi, perbandingan adil, penilaian kritis, selera ilmiah
> - Di dimensi mana perbedaan peneliti tradisional dan peneliti AI Native terkonsentrasi?

**Penanganan Latihan**

Pilihan yang benar adalah "dari 'implementator' bergeser ke 'pendefinisi masalah, perancang eksperimen, dan arbiter bukti'". Poin umpan balik: bagian implementasi dapat banyak ditanggung AI, yang langka adalah menilai masalah apa yang layak dijawab, bukti apa yang layak dipercaya.

Apakah benar-benar mengoptimalkan parameter, menulis ulang program, menyesuaikan struktur algoritma, atau merekonstruksi alur penelitian". Poin umpan balik: tanyakan dulu level perubahan, baru bicarakan baik buruknya hasil; jika level tidak jelas, tidak dapat menjelaskan apakah perbaikan dapat dipercaya.

Pilihan yang benar adalah "indikator, sinyal proxy, ambang penerimaan, dan kriteria kegagalan". Poin umpan balik: keempatnya masing-masing mendefinisikan cara observasi, sinyal aproksimasi, standar kelulusan, dan kondisi kegagalan, tidak dapat hilang.

Pilihan yang benar adalah "baseline, anggaran, keacakan, kondisi daya komputasi, dan uji statistik". Poin umpan balik: ini adalah variabel kontrol perbandingan adil; ketidaksejajaran akan salah membaca fluktuasi acak atau keunggulan daya komputasi sebagai perbaikan algoritma.

Pilihan yang benar adalah "menilai apakah harus mengubah operator mutasi, alur evaluasi, atau ruang pencarian, dan berdasarkan itu menetapkan indikator multi-tujuan dan baseline yang adil". Poin umpan balik: penilaian directional dan evaluatif mencerminkan selera ilmiah, baru dapat mengubah "dapat berjalan" menjadi "pengetahuan yang dapat dipercaya".

Penanganan studi kasus:

Level parameter (intensitas mutasi), level operator (mengganti operator mutasi), level struktur (merekonstruksi batang utama algoritma) atau level alur (alur evaluasi dan seleksi). Umpan balik evaluasi: indikator utama dan sinyal proxy (seperti hypervolume, jumlah evaluasi yang diperlukan untuk konvergensi), ambang penerimaan (besarnya peningkatan relatif terhadap baseline), kriteria kegagalan (secara signifikan lebih buruk dari baseline atau varians terlalu besar maka dibuang).

Baseline yang sama, anggaran evaluasi konsisten; seed acak tetap dan dijalankan ulang beberapa kali; kondisi daya komputasi yang sama; uji statistik yang tepat (seperti uji rank-sum). Konsekuensi mengabaikan: salah membaca fluktuasi acak atau bonus daya komputasi sebagai kemajuan algoritma, akhirnya hanya mendapatkan hasil "yang dapat berjalan".

**Pemeriksaan Pemahaman**

Minta siswa menjawab dengan satu kalimat — "apakah level perubahan kali ini adalah parameter, program, struktur algoritma, atau alur penelitian?" dan menjelaskan mengapa jika level tidak jelas, hasil selanjutnya sulit dijelaskan. Dapat juga meminta siswa mengulang empat set umpan balik evaluasi dan daftar periksa perbandingan adil.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan tiga jenis pertanyaan kunci objek perubahan, umpan balik evaluasi, dan perbandingan adil, dan memahami pergeseran peran peneliti, barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau pengembangan lebih lanjut evolusi metode.

<a id="lecture-page-15"></a>

### Membangun Infrastruktur Evolusi yang Berkelanjutan

*Halaman 15*

> **Tujuan Halaman:** Pembelajar harus memahami positioning EvoX sebagai infrastruktur dalam menghubungkan dunia nyata dan evolusi jangka panjang.

> **Tujuan Halaman**
>
> Memahami EvoX bukan solver sekali pakai, tetapi infrastruktur terbuka yang menghubungkan dunia nyata dan evolusi jangka panjang.

> **Urutan Penjelasan**
>
> Pertama bandingkan "solver sekali pakai" dan "infrastruktur jangka panjang". Optimasi tradisional menghadapi benchmark statis, berjalan sekali mendapatkan satu solusi lalu selesai; dunia nyata akan terus berubah, tujuan bergeser, batasan diperbarui, biaya evaluasi tinggi dan umpan balik tertunda, oleh karena itu memerlukan basis yang dapat berjalan jangka panjang, dapat digunakan kembali, dan dapat diperluas.
>
> Menghubungkan dunia nyata, mengakses lingkungan dan umpan balik nyata; mendukung evolusi jangka panjang, terus menghasilkan kandidat, memverifikasi efek, mengendapkan perbaikan; menghadapi masalah perubahan kompleks, menangani skenario dinamis, konflik multi-tujuan, dan eksplorasi yang terus berlanjut; terbuka dan berkelanjutan, menampung algoritma, masalah, runtime, dan mekanisme umpan balik dengan kemampuan publik.
>
> Operasi berkelanjutan—verifikasi—pemeliharaan—evolusi ulang. Sistem terus menghasilkan kandidat dan menyebarkan ke lingkungan nyata, lingkungan mengembalikan sinyal evaluasi, kandidat dan perbaikan yang efektif dipertahankan dan diendapkan, ketika tujuan dan lingkungan berubah terus menjadwalkan eksplorasi baru pada basis yang sama.
>
> Menghubungkan simulasi rekayasa berbiaya tinggi atau tugas robot ke EvoX, terus menerima sinyal evaluasi dan mempertahankan kandidat yang efektif; algoritma, operator, runtime, dan mekanisme umpan balik tidak perlu dibongkar dan dibangun ulang, tetapi diperluas dan dipelihara seperti jaringan pipa kota.

**Poin Pengajaran**

- Fokus pembelajaran harus pada antarmuka, penjadwalan, loop tertutup umpan balik, dan mekanisme presipitasi hasil, bukan hanya menatap satu algoritma tertentu. Jika ada satu langkah yang hilang, sistem merosot menjadi solver sekali pakai, tidak dapat mengakumulasi perbaikan jangka panjang. Ketika lingkungan atau tujuan berubah, periksa dulu apakah modul masalah dan mekanisme umpan balik dapat digunakan kembali, baru putuskan apakah mengganti algoritma, hindari membangun ulang seluruh pipeline dari nol. Dapat menggunakan diagram untuk menekankan hubungan siklus antara lingkungan nyata, infrastruktur terbuka EvoX, penjadwalan algoritma dan runtime, presipitasi hasil perbaikan jangka panjang.

> **Petunjuk Latihan**
>
> - Soal pilihan ganda berpusat pada positioning infrastruktur, urutan loop tertutup, menghubungkan dunia nyata, keunggulan penggunaan kembali ketika lingkungan berubah, karakteristik terbuka dan berkelanjutan. Saat umpan balik pegang: dunia nyata terus berubah
> - Loop tertutup dimulai dari operasi berkelanjutan
> - Harus mengakses umpan balik nyata bukan hanya simulasi
> - Ketika berubah lanjutkan penjadwalan dan penggunaan kembali pada basis yang sama
> - Kemampuan publik harus dapat diperluas, digunakan kembali, dan dilanjutkan. Simulator dan platform eksperimen robot sebagai lingkungan nyata diakses, terus menghasilkan kandidat strategi kontrol, mengumpulkan sinyal evaluasi seperti konsumsi energi, presisi, kemampuan adaptasi, mempertahankan perbaikan yang efektif, lalu masuk ke putaran evolusi baru. Jika tujuan berubah menjadi optimasi multi-tujuan yang mempertimbangkan presisi dan konsumsi energi, maka lapisan algoritma diganti dengan algoritma evolusi multi-tujuan, modul masalah memodifikasi fungsi tujuan dan batasan, mekanisme umpan balik memperluas kanal evaluasi, penjadwalan runtime terus berjalan pada basis yang sama.

**Pemeriksaan Pemahaman**

Minta siswa dengan kata-kata sendiri menjelaskan "mengapa memerlukan infrastruktur bukan solver", lalu mengulang empat langkah loop tertutup. Jika siswa dapat mengatakan EvoX adalah basis, loop tertutup dapat diakumulasi, ketika berubah gunakan kembali dulu baru ganti algoritma, maka dapat masuk ke halaman berikutnya.

<a id="lecture-page-16"></a>

### Ringkasan dan Prospek: Menuju Bentuk Kecerdasan yang Lebih Tinggi

*Halaman 16*

> **Tujuan Halaman:** Pembelajar harus meninjau keseluruhan mekanisme evolusi metode, memahami makna pentingnya mendorong sistem cerdas menuju evolusi diri.

> **Tujuan Halaman**
>
> Meninjau keseluruhan mekanisme evolusi metode, memahami bagaimana ia mendorong sistem cerdas dari "menyelesaikan jawaban" menuju "memperbaiki metode", dan menuju bentuk evolusi otonom yang lebih tinggi.

**Poin Pengajaran**

- Halaman ini dapat dipegang dengan satu mantra — "ruang solusi → ruang metode". Standar penilaiannya adalah: apakah objek yang saat ini diiterasi adalah "solusi", atau "metode yang menghasilkan solusi"? Selama jawabannya menjadi yang terakhir, maka masuk ke evolusi metode. Evolusi lapisan dalam mencari solusi masalah yang diberikan dalam ruang solusi, menggunakan metode saat ini secara maksimal, menghasilkan solusi kandidat dan hasil evaluasi
- Evolusi lapisan luar dalam ruang metode menggunakan umpan balik tugas untuk memperbaiki metode penyelesaian, objek pencarian berubah menjadi algoritma, operator, atau struktur. Arah loop tertutup adalah: umpan balik tugas dari lapisan dalam menunjuk ke lapisan luar, pembaruan metode dari lapisan luar kembali ke lapisan dalam. Dengan demikian, kualitas solusi menjadi sinyal evaluasi lapisan luar, metode yang diperbaiki kembali ke lapisan dalam, membentuk loop tertutup berkelanjutan dari ruang solusi ke ruang metode. Agar evolusi metode benar-benar terwujud, perlu mengorganisir populasi, hasil evaluasi, dan status algoritma menjadi tensor yang dapat dihitung secara keseluruhan, dan berdasarkan itu menjadwalkan daya komputasi heterogen. EvoX melalui komputasi tensorisasi dan arsitektur basis terpadu, memisahkan "bagaimana berevolusi" dan "bagaimana menjadwalkan secara efisien", membuat evolusi metode dan evolusi berkelanjutan tingkat sistem memiliki dasar implementasi rekayasa, mendorong sistem cerdas dari "menyelesaikan jawaban" menuju "memperbaiki metode", bahkan evolusi otonom yang lebih tinggi. MetaDE. MetaDE menggunakan Differential Evolution (DE) lapisan dalam untuk menyelesaikan masalah, dan evolusi lapisan luar untuk mencari konfigurasi atau struktur DE, membiarkan "metode penyelesaian itu sendiri" berpartisipasi dalam iterasi. Yang dicarinya bukan solusi masalah konkret tertentu, tetapi mekanisme yang menghasilkan solusi, tepatnya perwujudan intuitif dari melompat dari ruang solusi ke ruang metode. Bentuk kecerdasan yang lebih tinggi, bukan mendapatkan solusi optimal sekali, tetapi apakah dapat terus menghasilkan metode yang lebih kuat dan kemampuan sistem yang lebih kuat. Kunci langkah selanjutnya adalah membuat loop tertutup lapisan dalam dan luar lebih stabil, lebih dapat bermigrasi, dan mendukung paradigma penelitian ilmiah AI Native pada basis seperti EvoX. Kesalahpahaman umum: Lapisan dalam mencari "solusi masalah yang diberikan", lapisan luar mencari "algoritma, operator, atau struktur". Arah umpan balik tugas adalah dalam→luar, arah pembaruan metode adalah luar→dalam. Jangan mencampuradukkan evolusi metode dengan penyetelan parameter biasa. Jika sistem hanya mencari solusi yang lebih baik dalam ruang solusi tetap, tidak mengubah metode penyelesaian itu sendiri, maka bukan termasuk evolusi metode. Ketika tidak yakin apakah suatu sistem termasuk evolusi metode, lihat apakah ia juga mencari "metode yang menghasilkan solusi". Jika ya, ia sedang melakukan evolusi metode
- jika tidak, hanya penyetelan parameter biasa.

> **Petunjuk Latihan**
>
> - Membiarkan algoritma, operator, struktur, atau strategi dan metode penyelesaian lainnya menjadi objek yang diiterasi dan diperbaiki. Jika salah memilih, perlu membedakan "mencari solusi yang lebih baik dalam ruang solusi" dan "membiarkan metode itu sendiri berpartisipasi dalam iterasi". Lapisan dalam mencari solusi dalam ruang solusi, lapisan luar menggunakan umpan balik tugas untuk memperbaiki metode penyelesaian, yaitu ruang metode. Arah umpan balik dalam→luar, arah pembaruan luar→dalam. Menyediakan komputasi tensorisasi dan basis terpadu, membuat evolusi metode dan evolusi berkelanjutan tingkat sistem memiliki dasar implementasi rekayasa
> - Kuncinya adalah mengorganisir populasi, evaluasi, dan status menjadi tensor yang dapat dihitung secara keseluruhan, dan memisahkan "bagaimana berevolusi" dan "bagaimana menjadwalkan". Menggunakan evolusi lapisan luar untuk mencari konfigurasi atau struktur DE, membiarkan metode penyelesaian itu sendiri berpartisipasi dalam iterasi, oleh karena itu mencerminkan lompatan dari ruang solusi ke ruang metode. Harus digambarkan sebagai terus menghasilkan metode yang lebih kuat dan kemampuan sistem yang lebih kuat, bukan hanya mengejar solusi optimal sekali. Saat jawaban benar, tekankan kemampuannya menghubungkan konsep halaman ini dan menjelaskan dasarnya
> - Saat jawaban tidak benar, mohon kembali ke penjelasan halaman, temukan bukti kunci atau contoh baru menilai. Membangun sistem optimasi "yang dapat memperbaiki diri" untuk masalah penjadwalan produksi. Lapisan dalam menggunakan DE mencari skema penjadwalan, lapisan luar menggunakan umpan balik tugas sebagai sinyal, mencari konfigurasi operator, parameter, dan struktur DE. Peran umpan balik tugas adalah menerjemahkan kinerja ruang solusi menjadi arah perbaikan ruang metode: jika kualitas solusi meningkat maka pertahankan dan perkuat konfigurasi metode saat ini
> - Jika kualitas solusi stagnan atau menurun maka jelajahi kombinasi operator baru atau penyesuaian struktur. Menilai apakah menuju evolusi otonom yang lebih tinggi, dapat menetapkan tiga jenis indikator: indikator lapisan metode melihat apakah metode terus diperbaiki
> - indikator migrasi melihat kinerja adaptasi pada tugas yang belum pernah dilihat
> - indikator otonomi melihat apakah dengan intervensi manusia yang rendah dapat menemukan sendiri kombinasi operator atau penyesuaian struktur yang efektif dan prosesnya dapat direproduksi. Menggabungkan ketiganya, jika metode terus menjadi lebih kuat, dapat bermigrasi, dan dapat memperbaiki diri dengan intervensi rendah, maka dapat dinilai sistem sedang menuju bentuk evolusi otonom yang lebih tinggi.

**Pemeriksaan Pemahaman**

Minta siswa dengan kata-kata sendiri mengulang makna "ruang solusi → ruang metode", dan memilih satu sistem untuk menilai apakah ia melakukan evolusi metode.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menjelaskan pembagian lapisan dalam dan luar, arah loop tertutup, serta makna pembanding MetaDE, barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.