内外二層進化「具体的なタスクの解決」と「解法の改善」を、相互作用する2つの進化ループに分離します：内層タスクの求解を担い、実行パフォーマンスを生み出し、外層これらのパフォーマンスに基づいて内層アルゴリズムの構成と戦略を進化させ、適応可能なアルゴリズム改善メカニズムを形成します。これは2つのアルゴリズムを単純に直列接続するものではなく、タスク求解層の上に進化可能なメタ層制御を追加することで、システムを「人手によるアルゴリズム設定」から「アルゴリズムによるタスクへの自動適応」へと転換するものです。
内層と外層の役割分担
- 内層の役割：実際のタスクを解決し、候補解・目的関数値・実行パフォーマンスのデータを生成します。「問題を解く」役割を担います。
- 外層の役割：元のタスクを直接解かず、内層アルゴリズムの構成・戦略・パラメータを進化させます。「解法をより良くする」役割を担います。
- フィードバックループ：内層タスクの評価結果が外層の適応度シグナルとして集約され、より優れた内層構成の選択・変異・更新に用いられます。
- 適応メカニズム：外層がタスクや環境の変化に応じて内層戦略を継続的に調整します。
- 並列処理の支援：GPU は多数の内層タスクを並列実行でき、外層の進化により十分な統計フィードバックを提供するとともに、探索の待ち時間コストを削減します。
MetaDE：進化によって進化を改善する
MetaDE を例に挙げると、内層の DE が具体的な最適化タスクを担い、外層の進化アルゴリズムが内層の実行パフォーマンスに基づいて DE の構成と戦略を選択・調整します。多数の内層タスクの結果が外層の構成選択を逆方向に導き、「進化によって進化を改善する」二層のループを形成します。
重要な区別
内層が出力するのは「解」であり、外層が出力するのは「解を生み出すより良い手法」です。外層の適応度は元のタスクの最適値そのものではなく、バッチタスクにおける内層構成のパフォーマンスを評価したものです。
学習目標
内層のタスク求解と外層の戦略最適化の協働関係を習得し、手法進化が内層の上に進化可能なメタ層制御を追加するものであることを理解し、GPU 並列が外層により信頼できる統計フィードバックをどのように提供するかを説明できるようにする。
内外二層進化アーキテクチャの相互作用図では内層と外層の2つのループで役割分担を示しています。内層は実際のタスクを解決して候補解と実行パフォーマンスを生み出し、外層はそれらのパフォーマンスを適応度に集約して、内層アルゴリズムの構成と戦略を選択・変異・更新します。GPU が多数の内層タスクを並列実行し、外層により十分な統計フィードバックを提供することで、「進化によって進化を改善する」二層のループを形成します。
内外二層進化アーキテクチャの相互作用
図では内層と外層の2つのループで役割分担を示しています。内層は実際のタスクを解決して候補解と実行パフォーマンスを生み出し、外層はそれらのパフォーマンスを適応度に集約して、内層アルゴリズムの構成と戦略を選択・変異・更新します。GPU が多数の内層タスクを並列実行し、外層により十分な統計フィードバックを提供することで、「進化によって進化を改善する」二層のループを形成します。
