Evolusi algoritma itu sendiri: dari menemukan jawaban menuju memperbaiki metode

Algoritma evolusioner tradisional bekerja di bawahmekanisme pembangkitan yang tetap: aturan tentang «bagaimana jawaban dihasilkan» seperti seleksi, persilangan, dan mutasi telah ditulis sebelumnya oleh manusia; pencarian hanya bergerak di dalam ruang jawaban, dan yang selalu dioptimalkan adalahsolusi kandidat. Ketika skala daya komputasi terbuka, preset ini justru menjadi plafon—jika metode yang menghasilkan kandidat tidak berubah, sistem hanya bisa mengulang pola yang sudah ditetapkan.

Evolusi metode (Meta-Evolution)mendorong masalah ke tingkat yang lebih tinggi: algoritma tidak hanya menghasilkan jawaban yang lebih baik, tetapi juga melalui pencarian lapisan luar terus memperbaikistrategi, parameter, dan komponenyang menghasilkan jawaban, sehingga menyelesaikan evolusi dari «menemukan jawaban» menuju «memperbaiki metode». EvoX adalah karya yang mendorong jalur ini, dengan menjadikan metode pembangkitan kandidat itu sendiri (seperti strategi mutasi dan pengaturan parameter pada evolusi diferensial) sebagai objek evolusi.

Logika dua lapis: lapisan dalam mencari jawaban, lapisan luar memperbaiki metode

Lapisan dalam: menggunakanMetode saat iniuntuk menyelesaikan masalah konkret dan menghasilkan solusi kandidat.
Lapisan luar: berdasarkan umpan balik seperti kualitas solusi, sinyal preferensi, stabilitas, atau biaya, memperbaiki metode yang akan digunakan pada putaran berikutnya.
Objek yang dinaikkan ke ruang pencarian bukanlah suatu solusi, melainkanmekanisme pembangkitan kandidat itu sendiri; justru karena itulah ia menjadi objek yang dapat dievaluasi, dipilih, dan diperbarui.

Di lapisan mana optimasi preferensi sebaiknya ditempatkan

Optimasi preferensi dapat berperan dalam umpan balik lapisan atas, tetapi dua jenis tujuan harus dipisahkan:mengevaluasi jawaban saat inidanmemperbaiki metode yang menghasilkan jawaban. Membaca «solusi ini lebih disukai» langsung sebagai «strategi ini lebih unggul» berarti menyamakan preferensi jawaban dengan keunggulan metode, sehingga pencarian lapisan luar akan terbawa oleh derau hasil sekali jalan.

Bentuk tipikal

MetaDE membiarkan lapisan luar mengevolusikan strategi mutasi dan parameter evolusi diferensial, sementara lapisan dalam tetap menyelesaikan tugas seperti biasa; AutoPSO dan EvoGO lebih jauh mengombinasikan komponen particle swarm dan memanfaatkan umpan balik historis untuk mempelajari cara pembangkitan kandidat, sehingga melompat dari «mengubah parameter» menuju «mengubah struktur algoritma».

Apa yang diperoleh, apa yang dikorbankan

Perubahan ini mendorong desain algoritma dari penyetelan manual sekali jalan menuju adaptasi berkelanjutan, tetapi harganya juga jelas:ruang pencarian membengkak(ruang metode jauh lebih besar daripada ruang solusi),biaya evaluasi meningkat(setiap set metode kandidat harus menjalankan tugas lapisan dalam, biasanya mengandalkan evaluasi batch paralel GPU untuk menekan biayanya),kompleksitas validasi bertambah(apakah perbaikan lapisan luar benar-benar tergeneralisasi memerlukan desain validasi yang independen).

Diagram logika evolusi dua lapis

Diagram membagi evolusi menjadi dua lapis: lapisan dalam menyelesaikan masalah konkret dengan metode saat ini dan menghasilkan solusi kandidat, sedangkan lapisan luar berdasarkan umpan balik seperti kualitas solusi, preferensi, stabilitas, atau biaya memperbaiki strategi, parameter, dan komponen untuk menghasilkan kandidat pada putaran berikutnya; dengan demikian objek yang dicari bergeser dari solusi menjadi mekanisme pembangkitan kandidat.

Pertanyaan 1

Dibandingkan dengan algoritma evolusioner tradisional, apa perbedaan paling mendasar evolusi metode dalam hal «objek yang dioptimalkan»?

Ia menempatkan strategi, parameter, dan komponen operator tentang «bagaimana jawaban dihasilkan» itu sendiri ke dalam objek pencarian.

Ia hanya memperbesar ukuran populasi agar dapat mencari lebih lama di dalam ruang jawaban.

Ia menghapus evaluasi fitness dan hanya mengandalkan penilaian manual untuk menentukan baik-buruknya.

Ia sepenuhnya menggantikan operator seperti seleksi, persilangan, dan mutasi dengan jaringan saraf.

Pertanyaan 2

Dalam struktur dua lapis ini, apa dasar langsung pencarian lapisan luar?

Derau acak murni, yang digunakan agar lapisan luar pun tetap beragam.

Nilai mentah solusi kandidat lapisan dalam, tanpa perlu melalui evaluasi apa pun.

Umpan balik dari kinerja tugas lapisan dalam, seperti kualitas solusi, sinyal preferensi, stabilitas, atau biaya.

Parameter baru yang ditentukan secara manual oleh insinyur setelah setiap iterasi.

Pertanyaan 3

Mengenai peran optimasi preferensi dalam sistem evolusi metode, penanganan manakah yang paling tepat?

Mengganti fungsi fitness lapisan dalam secara langsung dengan preferensi jawaban, sehingga kedua lapisan berbagi satu skor.

Membiarkan sinyal preferensi berperan dalam umpan balik lapisan atas, tetapi memperlakukan «mengevaluasi jawaban saat ini» dan «memperbaiki metode pembangkitan» sebagai dua jenis tujuan yang ditangani secara terpisah.

Menjadikan preferensi pengguna terhadap suatu jawaban secara langsung sebagai satu-satunya kriteria keunggulan metode.

Melarang sepenuhnya optimasi preferensi masuk ke tahap mana pun di lapisan dalam maupun lapisan luar.

Pertanyaan 4

Saat menerapkan evolusi metode, manakah dari berikut ini biaya yang harus diterima?

Penyelesaian lapisan dalam tidak lagi memerlukan tahap evaluasi apa pun.

Pencarian lapisan luar dapat konvergen tanpa perlu sinyal umpan balik apa pun.

Ruang solusi akan secara otomatis dikompresi menjadi sangat kecil, sehingga lapisan dalam hampir tidak perlu mencari lagi.

Ruang metode membengkak, setiap set metode harus menanggung biaya evaluasi lapisan dalam, dan tingkat kesulitan validasi meningkat.

Pertanyaan 5

Mengenai deskripsi MetaDE dan AutoPSO, manakah yang akurat?

Peran AutoPSO dan EvoGO adalah mundur dari memperbaiki struktur algoritma menuju hanya mengubah parameter.

AutoPSO hanya menyesuaikan satu parameter skalar berupa learning rate, sementara komponen lainnya tetap tidak berubah.

MetaDE menghapus algoritma lapisan dalam dan langsung mengeluarkan jawaban akhir dari lapisan luar.

MetaDE menggunakan lapisan luar untuk mengevolusikan strategi mutasi dan parameter evolusi diferensial, sementara lapisan dalam tetap bertanggung jawab mencari solusi kandidat untuk tugas konkret.

Studi Kasus: Membangun sistem evolusi metode untuk optimasi tata letak chip

Baca skenario, lalu jawab dua pertanyaan berikut.

Sebuah tim ingin mengoptimalkan tata letak chip pada klaster GPU. Mereka sudah memiliki solver berbasis evolusi diferensial, tetapi strategi mutasi dan parameternya sejak lama bergantung pada pengalaman manusia, sehingga kinerjanya berfluktuasi cukup jelas pada berbagai tugas tata letak. Tim berencana memperkenalkan optimasi dua lapis ala MetaDE: lapisan dalam menyelesaikan masalah tata letak konkret dengan konfigurasi saat ini, lapisan luar memperbaiki konfigurasi berdasarkan kinerja tugas lapisan dalam, dan mereka berharap dapat memandu arah pencarian melalui preferensi pengguna (lebih menyukai panjang kabel yang lebih pendek dan kongesti yang lebih rendah).

1. Definisikan input, output, dan sinyal umpan balik untuk lapisan dalam dan lapisan luar sistem tersebut, serta jelaskan mengapa hasil dari satu solusi lapisan dalam tidak dapat langsung dijadikan target optimasi lapisan luar.

Jawaban:
Lapisan dalam: inputnya adalah metode saat ini (strategi mutasi dan konfigurasi parameter) serta satu instans masalah tata letak konkret, dan outputnya adalah tata letak kandidat beserta kualitas solusinya. Lapisan luar: inputnya adalah statistik ringkasan kinerja tugas lapisan dalam, dan outputnya adalah strategi serta konfigurasi parameter yang telah diperbarui. Sinyal umpan balik perlu diagregasi lintas tugas dan lintas pengulangan (misalnya rata-rata multi-tugas, kuantil, atau indikator stabilitas), bukan diambil dari satu kali eksekusi. Alasannya: baik-buruknya satu solusi sangat bergantung pada instans konkret dan keacakan; ia mengukur «apakah jawaban kali ini bagus», bukan «apakah metode ini bagus». Jika hasil sekali jalan langsung digunakan untuk menggerakkan lapisan luar, lapisan luar akan didominasi oleh perbedaan instans dan derau, sehingga mudah memilih konfigurasi yang hanya kebetulan efektif pada satu atau dua tugas.

2. Tim ingin memperkenalkan sinyal preferensi sekaligus mengendalikan biaya evolusi metode. Jelaskan bagaimana sinyal preferensi sebaiknya ditempatkan, dan sebutkan setidaknya dua jenis biaya utama beserta cara mengatasinya.

Jawaban:
Penempatan sinyal preferensi harus berlapis: pada lapisan dalam, fungsi evaluasi berbobot preferensi dapat digunakan untuk menyaring tata letak kandidat; pada lapisan luar, sinyal tersebut harus lebih dulu diubah menjadi kriteria perbandingan yang stabil lintas tugas (misalnya skor berbobot untuk indikator panjang kabel dan kongesti beserta variansnya), baru kemudian digunakan untuk memilih konfigurasi metode, agar preferensi sekali jawaban tidak langsung dianggap sebagai keunggulan metode. Biaya utama dan cara mengatasinya: (1) ruang pencarian membengkak—ruang metode jauh lebih besar daripada ruang solusi, sehingga dapat diterapkan pengelompokan parameter, pencarian berlapis, dan strategi dari kasar ke halus untuk mengendalikan skalanya; (2) biaya evaluasi meningkat—setiap set metode kandidat harus menjalankan tugas lapisan dalam, sehingga dapat memanfaatkan evaluasi batch paralel GPU, evaluasi proksi dengan sedikit sampel, dan mekanisme early stopping untuk menekan biaya; (3) kompleksitas validasi bertambah—perlu mempertahankan set tugas validasi yang independen dan menjalankannya berulang kali untuk memeriksa apakah perbaikan lapisan luar benar-benar tergeneralisasi, serta mencegah overfitting pada tugas pelatihan.