MetaDE: Meningkatkan Algoritma Evolusi dengan Algoritma Evolusi

Alur optimasi klasik memusatkan seluruh perhatian pada ruang solusi: menetapkan satu set konfigurasi Differential Evolution (DE)—strategi mutasi, laju crossover CR, faktor skala F, ukuran populasi NP—lalu beriterasi berulang kali untuk mendekati solusi optimal masalah. Namun ada satu pertanyaan yang selalu menggantung:Siapa yang memilih konfigurasi ini?Jawaban MetaDE adalah menjadikan "metode yang menghasilkan kandidat solusi" sebagai objek yang dievolusi: lapisan luar membungkus satu lapisan algoritma evolusi lagi yang khusus mencari konfigurasi algoritma yang lebih baik, sehingga terbentuk siklus optimasi dua lapis "meningkatkan algoritma evolusi dengan algoritma evolusi".

Lapisan dalam dan lapisan luar: bagaimana tanggung jawab dibagi

Lapisan dalam: menerima satu set konfigurasi DE tertentu, menjalankan penyelesaian penuh satu kali pada tugas nyata, menghasilkan kandidat solusi, dan mengembalikan penilaian performa yang dapat dibandingkan.
Lapisan luar: mengodekan konfigurasi, hyperparameter, atau kombinasi strategi DE menjadi individu, menggunakan performa tugas sebagai fitness, dan memperbarui konfigurasi generasi berikutnya dengan algoritma evolusi (seleksi, rekombinasi, mutasi).

Pergeseran tujuan: dari "mencari solusi" ke "mencari metode yang mampu menemukan solusi"

Yang diubah MetaDE bukanlah implementasi optimizer, melainkan tingkat tujuan optimasi. Keluaran DE tradisional adalah vektor solusi; keluaran MetaDE adalah satu set konfigurasi algoritma yang mampu secara konsisten menghasilkan solusi lebih baik pada tugas semacam ini. Dengan kata lain, objek pencarian naik dari "jawaban" menjadi "mesin penghasil jawaban". Hal ini memungkinkan hasil satu pencarian lapisan luar dimigrasikan dan digunakan kembali pada instansi lain dalam keluarga yang sama.

Siklus umpan balik dan prasyarat rekayasa

Seluruh sistem dirangkai oleh satu siklus tertutup: lapisan luar mengirimkan konfigurasi → lapisan dalam menjalankan penyelesaian → performa dikirim balik → lapisan luar memperbarui konfigurasi generasi berikutnya berdasarkan itu. Perlu diperhatikan bahwa agar satu individu lapisan luar memperoleh fitness, ia harus membayar harga satu kali (sering kali beberapa kali paralel) menjalankan lapisan dalam secara penuh, sehingga manajemen biaya evaluasi dan penjadwalan paralel menjadi inti desain sistem. Justru karena GPU mampu menjalankan banyak tugas lapisan dalam secara bersamaan, optimasi meta yang "mahal dalam evaluasi" ini menjadi layak secara rekayasa.

Menangkap esensi dalam satu kalimat

Lapisan dalam bertanggung jawab atas "apa yang dihitung", lapisan luar bertanggung jawab atas "bagaimana menghitung agar lebih baik". Kedua lapisan berbagi sinyal fitness yang sama—performa tugas—dan inilah alasan keduanya dapat membentuk siklus tertutup.

Arsitektur Optimasi Dua Lapis MetaDE

Diagram arsitektur ini terbagi menjadi dua lapisan: lapisan luar mengodekan strategi mutasi, laju crossover, faktor skala, dan ukuran populasi Differential Evolution menjadi individu dan memperbaruinya dengan algoritma evolusi; lapisan dalam menggunakan konfigurasi ini untuk menyelesaikan secara penuh pada tugas nyata, lalu mengirim balik performa tugas sebagai fitness lapisan luar, membentuk siklus optimasi yang mahal dalam evaluasi.

Soal 1

Apa yang dijadikan objek evolusi oleh lapisan luar (lapisan meta) MetaDE?

Vektor solusi optimal masalah itu sendiri

Konfigurasi algoritma Differential Evolution, misalnya strategi mutasi, laju crossover CR, faktor skala F, dan ukuran populasi NP

Distribusi sampling kumpulan data pelatihan

Bentuk fungsi tujuan dan kondisi kendala

Soal 2

Dalam siklus tertutup MetaDE, apa tanggung jawab lapisan dalam?

Menyediakan gradien analitik fungsi tujuan untuk lapisan luar

Menerima konfigurasi yang dikirim lapisan luar, menyelesaikan satu kali pada tugas nyata, dan mengembalikan penilaian performa yang dapat dibandingkan

Menentukan bagaimana konfigurasi generasi berikutnya harus diseleksi dan dimutasi

Memodifikasi langsung pengodean individu lapisan luar untuk mempercepat konvergensi

Soal 3

Manakah yang benar menggambarkan urutan siklus informasi MetaDE?

Pembaruan lapisan luar → performa dikirim balik → konfigurasi dikirim ke bawah → penyelesaian lapisan dalam

Penyelesaian lapisan dalam → pembaruan lapisan luar → konfigurasi dikirim ke bawah → performa dikirim balik

Performa dikirim balik → konfigurasi dikirim ke bawah → pembaruan lapisan luar → penyelesaian lapisan dalam

Konfigurasi dikirim ke bawah → penyelesaian lapisan dalam → performa dikirim balik → pembaruan lapisan luar

Soal 4

Dibandingkan Differential Evolution tradisional, pergeseran seperti apa yang terjadi pada tingkat tujuan MetaDE?

Dari pencarian global menjadi penurunan gradien lokal

Dari mencari solusi optimal satu masalah menjadi mencari algoritma dan konfigurasi yang lebih baik dalam menghasilkan solusi

Dari optimasi berkendala menjadi optimasi tanpa kendala

Dari optimasi kontinu menjadi penalaran simbolik murni

Soal 5

Saat merancang sistem MetaDE, dari mana biasanya biaya komputasi terbesar berasal? Mengapa paralel GPU menjadi syarat utama yang memungkinkan?

Lapisan dalam hampir tidak memerlukan komputasi, hambatannya sepenuhnya pada pembacaan data

Ukuran populasi lapisan luar harus 1, jika tidak tidak akan konvergen

Setiap evaluasi satu individu lapisan luar memerlukan biaya satu kali atau lebih menjalankan lapisan dalam secara penuh; paralel GPU menjalankan banyak tugas lapisan dalam sekaligus, sehingga optimasi meta layak secara rekayasa

Panjang pengodean individu lapisan luar; paralel hanya mempersingkat waktu pengodean

Kasus: Mengonfigurasi MetaDE untuk Pemecah Rute Logistik

Bacalah skenario, jawab dua pertanyaan di bawah ini, dan tuliskan desain serta alasanmu.

Sebuah tim sudah memiliki pemecah perencanaan rute logistik berbasis Differential Evolution, tetapi parameternya selama ini ditentukan melalui coba-coba manual. Mereka memutuskan menerapkan MetaDE: lapisan luar menggunakan algoritma evolusi untuk mencari konfigurasi DE (strategi mutasi, laju crossover CR, faktor skala F, ukuran populasi NP), sedangkan lapisan dalam menjalankan DE secara penuh pada beberapa tugas pengiriman nyata dan mengembalikan rata-rata biaya transportasi sebagai fitness. Tim hanya memiliki anggaran GPU yang terbatas.

Jelaskan secara terpisah pekerjaan yang ditanggung lapisan dalam dan lapisan luar dalam skenario ini, serta berikan satu contoh cara pengodean individu konfigurasi.

Jawaban:
Lapisan dalam: menerima satu konfigurasi, menjalankan Differential Evolution secara penuh pada tugas pengiriman nyata yang ditentukan, memperoleh solusi rute dan rata-rata biaya transportasi, lalu mengembalikannya sebagai penilaian performa yang dapat dibandingkan. Lapisan luar: mengodekan konfigurasi DE (strategi mutasi, CR, F, NP, dan lain-lain) menjadi individu, menggunakan rata-rata biaya transportasi sebagai fitness, menjalankan seleksi, rekombinasi, dan mutasi untuk menghasilkan populasi konfigurasi generasi berikutnya. Contoh pengodean: individu = [strategi mutasi DE/best/1, CR = 0.7, F = 0.5, NP = 60].

Dengan anggaran GPU yang terbatas, berikan dua strategi konkret untuk menurunkan biaya evaluasi atau meningkatkan efisiensi pencarian, dan jelaskan alasannya.

Jawaban:
Strategi pertama: evaluasi berlapis—terlebih dahulu gunakan sejumlah kecil tugas representatif untuk dengan cepat menyaring konfigurasi yang jelas lebih buruk, dan hanya evaluasi ulang konfigurasi berperforma terbaik pada kumpulan tugas lengkap; alasannya adalah fitness lapisan luar bergantung pada eksekusi penuh lapisan dalam, sehingga penyaringan kasar dapat sangat mengurangi jumlah evaluasi penuh yang mahal. Strategi kedua: penjadwalan paralel batch—mengemas eksekusi lapisan dalam yang sesuai dengan semua individu generasi yang sama menjadi batch dan mengirimkannya ke GPU; alasannya adalah paralel dapat menekan waktu tunggu individu tunggal dan meningkatkan throughput evaluasi per satuan waktu. Selain itu, dapat juga memperkecil ukuran populasi lapisan luar atau menggunakan model surrogate untuk memperkirakan performa, tetapi perlu menyeimbangkan antara keragaman pencarian dan bias estimasi.