MetaDE：進化アルゴリズムで進化アルゴリズムを改善する

従来の最適化プロセスは、解空間にのみ注意を向けてきました。すなわち、差分進化（DE）の設定——変異戦略、交叉率 CR、スケーリング係数 F、集団サイズ NP——を一組固定し、反復を繰り返して問題の最適解に近づけるというものです。しかし、常に未解決のままの問題が一つあります。その設定自体は、誰が選んだのか？MetaDE の答えは、「候補案を生み出す方法」自体も進化の対象とすることです。外側にもう一層の進化アルゴリズムを重ね、より優れたアルゴリズム設定を専門に探索することで、「進化アルゴリズムで進化アルゴリズムを改善する」二重層の最適化ループを形成します。

内層と外層：役割の分担

• 内層：具体的な DE 設定を受け取り、実タスク上で完全求解を一度実行して候補解を生成し、比較可能な性能評価を返します。
• 外層：DE の設定・ハイパーパラメータ・戦略の組合せを個体として符号化し、タスク性能を適応度として、進化アルゴリズム（選択・組換え・変異）で次世代の設定を更新します。

目標の転換：「解を探す」から「解を探せる方法を探す」へ

MetaDE が変えるのは最適化器の実装ではなく、最適化の目標階層です。従来の DE の成果物は一つの解ベクトルですが、MetaDE の成果物は、この種のタスクで安定してより良い解を生み出せるアルゴリズム設定のセットです。つまり、探索の対象が「答え」から「答えを生み出す機械」へと引き上げられます。これにより、一度の外層探索の成果を同族の他のインスタンスへ移転して再利用できます。

フィードバックループとエンジニアリング上の前提

システム全体は一つのループでつながっています。外層が設定を配信 → 内層が求解を実行 → 性能をフィードバック → 外層がそれに基づき次世代の設定を更新。注意すべきは、外層の一個体が適応度を得るには、一度（多くの場合、複数回の並列）完全な内層実行のコストを払う必要があるため、 評価コストの管理 と 並列スケジューリング がシステム設計の核心です。GPU が大量の内層タスクを同時に走らせることができるからこそ、この「評価コストが高い」メタ最適化がエンジニアリング上で実現可能になるのです。