이중 최적화 실험 청사진 설계

이중 최적화 실험 청사진은 한 가지 구체적인 질문에 답해야 합니다:차분 진화(DE)의 변이 계수 F를 도대체 얼마로 설정해야 하는가라는 질문입니다. 이 접근은 계속 손으로 조정하는 대신, F를 고정된 하이퍼파라미터에서외부 계층에서 진화 가능한 대상으로 승격시키고, "특정 F 설정으로 DE 풀이 작업을 한 번 실행하는 것"을내부 계층 평가 과정으로 삼습니다. 외부 계층은 내부 계층의 작업 성능에 따라 구성을 갱신합니다. 이 청사진이 실제로 작동하는 이유는 EvoX의 현대적 컴퓨팅 기반 위에 세워졌기 때문입니다: 개체군, 평가 결과, 알고리즘 상태가 전체적으로 계산 가능한텐서로 구성되어, 후보 구성이 일괄 변이되고 일괄 평가되며 계산 그래프에 들어가 컴파일 최적화를 받은 다음, Runtime 스케줄러가 계산을 GPU, 가속 장치 또는 분산 클러스터로 분배하여, 원래 길었던 직렬 실험 주기를 수용 가능한 시간 범위로 압축합니다.

내부 계층 작업: 성능을 비교 가능한 신호로 만들기

내부 계층은반복 가능한 실험입니다. 먼저 최적화 작업 또는 벤치마크 함수 집합을 선정한 다음, DE의 주 구조, 차원, 평가 예산, 무작위 시드 집합을 모두 고정합니다. 유일하게 변하는 양은 외부 계층에서 전달된 F 구성입니다. 매 실행마다 최적값, 수렴 속도(임계값에 도달하는 데 필요한 세대 수), 성공률, 제약 위반량, 다목적 지표(예: 초부피), 후보 다양성을 기록해야 합니다. 이러한 기록이 외부 계층이 "볼 수 있는" 모든 정보이며, 외부 계층이 좋고 나쁨을 판단하는 유일한 근거입니다. 평가는 텐서화 방식으로 일괄 실행되며, 같은 배치의 후보들이 하나의 계산 그래프를 공유하여 개별 직렬 평가의 오버헤드를 방지합니다.

외부 계층 전략 대상: F는 더 이상 상수가 아닙니다

외부 계층이 탐색하는 것은 하나의 수치가 아니라 F 전략입니다. 일반적인 인코딩은 세 가지입니다: 상수 F, 단계별 상수(예: 유전자 [F₁, F₂, F₃]를 세대 구간에 따라 전환), 소수의 유전자로 제어되는 스케줄 함수(예: 현재 성공률, 개체군 분산 또는 세대 비율에 따라 서로 다른 F를 트리거)입니다. 전략형 인코딩은 유전자 자체 외에도 입력 특징과 출력 규칙을 반드시 명시해야 합니다. 그렇지 않으면 같은 유전자라도 구현에 따라 전혀 다른 결과가 나옵니다.

매핑 방식: 유전자형에서 런타임 구성으로

외부 계층 유전자형에서 내부 계층 런타임 구성으로의 매핑은 반드시명시적이고 재현 가능해야 합니다. 예를 들어 유전자 [F시작, F종료, 감쇠]는 세대에 따라 감쇠하는 스케줄로 매핑됩니다: F(t) = F시작 + (F종료 − F시작) × e^(−감쇠 × t / T), 여기서 t는 현재 세대, T는 총 세대입니다. 유전자 [F₁, F₂, F₃]는 세 구간 상수 전환으로 매핑됩니다. 동일한 유전자형은 항상 동일한 런타임 구성으로 매핑되어야 합니다. 그렇지 않으면 외부 계층이 학습한 "좋은 유전자"를 설명할 수 없고 새로운 작업으로 전이할 수도 없습니다.

폐루프 흐름과 필수 기록 로그

전체 루프는 다음과 같습니다: 외부 계층 개체군이 한 배치의 F 구성을 생성 → Runtime 스케줄러가 텐서화 배치 단위로 내부 계층 DE 작업을 병렬 분배 → GPU 일괄 평가 → 지표 집계 → 외부 계층 선택, 변이, 교차 및 갱신 → 다음 라운드 진입. 여기서는 EvoX의 계층적 조직을 따릅니다: 알고리즘 계층은 외부 계층의 진화와 내부 계층의 DE 로직을 담당하고, 문제 모듈은 벤치마크 작업을 제공하며, Runtime 스케줄러는 일괄 계산을 GPU 또는 분산 클러스터로 분배하고, 모니터링 모듈은 지표를 회수합니다. 폐루프에는 재생 가능한 기록이 반드시 남아야 합니다: 무작위 시드, 평가 예산, 작업 ID, 하드웨어 모델 및 중지 조건. 어떤 "외부 계층 승리" 결론이든 동일한 조건에서 재실행하여 재현할 수 있어야 합니다.

경계 조건과 베이스라인: 세 가지 방어층

노이즈 방어:내부 계층 평가 변동이 클 때는 단일 실행 결과를 신뢰할 수 없으므로, 여러 번 독립적으로 실행하고 신뢰 구간을 보고해야 합니다. 적합도는 평균, 중앙값 또는 최악 분위수로 집계할 수 있으며, 동시에 훈련 작업과 검증 작업을 분리하여 외부 계층이 몇 개의 운 좋은 시드에만 과적합되는 것을 방지해야 합니다.비용 방어:내부 계층 작업이 비쌀 때는 먼저 저충실도 모델이나 대리 평가로 대략적인 선별을 하고, 그다음 소수의 후보에 대해 고충실도 재평가를 수행합니다.베이스라인 방어:고정 F = 0.5와 고전적 적응형 DE는 반드시 같은 무대에서 비교해야 하며, 소거 실험으로 이득이 더 많은 평가 횟수가 아니라 외부 계층 진화 자체에서 비롯되었음을 확인해야 합니다. 외부 계층 탐색 공간이 너무 작으면 이중 최적화는 수동 튜닝으로 퇴화합니다. 이때는 단순히 예산을 늘리는 것이 아니라 인코딩 공간을 확장해야 합니다.

이중 최적화 실험 청사진과 흐름

图示以差分进化变异因子 F 为例：内层锁定任务、维度、评价预算与随机种子，只让外层传入的 F 策略变化，并记录最优值、收敛速度、成功率、约束违反量、超体积与候选多样性；外层可编码常数 F、分段 F 或调度函数，经显式映射后批量评价并选择更新。闭环还需保留种子、预算、任务 ID、硬件与停止条件，以保证结论可重跑。

문제 1

이중 최적화 실험 청사진의 내부 계층 작업에서 서로 다른 F 구성 간의 차이를 귀속시킬 수 있도록, F 외에 어떤 요소를 고정해야 합니까?

매 실행마다 무작위로 재시작하고 그중 가장 좋은 것을 취한다

무작위 시드만 고정하고 나머지 요소는 자동으로 변화하도록 허용한다

외부 계층 개체군 규모만 고정하고 내부 계층은 자유롭게 실행한다

DE 주 구조, 차원, 평가 예산 및 무작위 시드 집합을 고정한다

문제 2

외부 계층 유전자 인코딩이 [F시작, F종료, 감쇠]일 때, 이에 대응하는 F 형태는 다음 중 어느 것입니까?

세대에 따라 지수적으로 감쇠하는 연속 스케줄 F(t)

개체군 분산에 따라 무작위로 트리거되는 규칙

세대 구간에 따라 전환되는 세 구간 상수

세대와 무관한 상수 F

문제 3

이중 최적화 폐루프 흐름에서 외부 계층 개체군이 한 배치의 F 구성을 생성한 후 바로 이어지는 단계는 무엇입니까?

시간을 절약하기 위해 곧바로 다음 반복으로 건너뛴다

Runtime 스케줄러가 내부 계층 DE 작업을 병렬 분배하고 GPU에서 텐서화 일괄 평가한다

즉시 이 구성들로 외부 계층 적합도를 갱신한다

먼저 각 구성을 수동으로 검토한 후 실행한다

문제 4

내부 계층 평가의 노이즈가 클 때, 외부 계층이 특정 무작위 시드에 과적합되는 것을 가장 잘 방지하는 방법은 다음 중 어느 것입니까?

외부 계층 개체군 규모를 직접 확대하여 더 많은 개체로 노이즈를 덮는다

여러 시드를 하나의 매우 긴 실행으로 합친다

여러 번 독립적으로 실행하고 중앙값, 최악 분위수 등으로 집계하며, 동시에 훈련 작업과 검증 작업을 구분한다

한 번의 실행에서 나온 최적값만 적합도로 취한다

문제 5

외부 계층 진화가 실제로 이득을 가져왔음을 증명하는 가장 엄밀한 방법은 무엇입니까?

고정 F = 0.5, 고전적 적응형 DE 등 베이스라인과 같은 무대에서 비교하고, 소거 실험으로 이득의 출처를 확인한다

외부 계층 결과가 베이스라인보다 우수해질 때까지 내부 계층 실행 시간을 계속 연장한다

GPU 수를 늘려 내부 계층을 더 빠르게 실행한다

외부 계층이 찾은 최적 구성의 특정 한 번 실행 결과만 보고한다

사례: DE 변이 계수를 위한 이중 최적화 청사진 구축

상황을 읽고 아래 두 질문에 답하여 실행 가능한 청사진 설계를 제시하세요.

어떤 알고리즘 팀이 차분 진화가 연속 최적화 벤치마크 스위트에서 더 좋은 성능을 내기를 원합니다. 그들은 변이 계수 F를 더 이상 수동으로 조정하지 않고, 이중 최적화 실험 청사진을 구축하기로 결정했습니다: 외부 계층은 F 전략 진화를 담당하고, 내부 계층은 그 전략의 벤치마크 작업에서의 실제 성능을 평가합니다. 가용 자원은 GPU 4장과 24시간 서버실 창이며, 팀은 어떤 동료든 동일한 조건으로 재현할 수 있는 방안을 제출하고 외부 계층 진화가 실제로 유효한지 판단하는 방법을 설명해야 합니다.

1. 외부 계층 유전자형에서 내부 계층 런타임 구성으로의 매핑 규칙을 설계하고, 왜 이 매핑이 명시적이고 재현 가능해야 하는지 설명하세요.

답변:
연속 스케줄로 설계할 수 있습니다: 유전자 [F시작, F종료, 감쇠]를 F(t) = F시작 + (F종료 − F시작) × e^(−감쇠 × t / T)로 매핑하며, 여기서 t는 현재 세대, T는 총 세대입니다. 분할 상수로도 설계할 수 있습니다: 유전자 [F₁, F₂, F₃]를 세대 구간에 따라 순차적으로 전환합니다. 전략형 인코딩을 사용한다면 입력 특징(예: 현재 성공률, 개체군 분산)과 그에 대응하는 출력 규칙을 추가로 명시해야 합니다. 매핑이 명시적이고 재현 가능해야 하는 이유는 유전자 자체에는 의미가 없고, 매핑을 거쳐야 내부 계층이 실제로 사용하는 F가 되기 때문입니다. 매핑이 고정되어야만 외부 계층이 왜 승리했는지 설명할 수 있고, 구성을 새 작업으로 전이할 수 있으며, 제3자가 동일한 조건으로 재실행하여 검증할 수 있습니다. 매핑에 암묵적 기본값이 남아 있으면 같은 유전자가 구현마다 다른 결과를 내어 외부 계층 결론이 무의미해집니다.

2. 이 청사진의 평가 지표와 외부 계층 적합도 집계 방안을 제시하고, 베이스라인과 소거 실험으로 외부 계층 이득을 어떻게 검증할지 설명하세요.

답변:
내부 계층 측면: 각 F 구성을 선정된 벤치마크에서 동일 예산으로 20회 독립 반복하고 DE 구조, 차원 및 시드 집합을 고정하며, 최적값, 수렴 세대, 성공률, 실행 분산을 기록합니다. 외부 계층 측면: 먼저 작업 성능을 피드백 신호로 집계합니다. 예를 들어 외부 계층 적합도 = 평균 최적값 순위 + 0.1 × 수렴 세대 + 0.05 × 분산 페널티로 하며, 필요하면 중앙값, 최악 분위수, AUC 수렴 또는 초부피 등 더 견고한 집계로 전환합니다. 엔지니어링 측면에서 훈련 작업과 검증 작업을 분리하여 훈련 작업에서 외부 계층 진화를 수행하고 검증 작업에서 승패를 판정해야 합니다. 베이스라인 측면에서 고정 F = 0.5와 고전적 적응형 DE는 동일 예산, 동일 하드웨어, 동일 시드 집합에서 실행해야 합니다. 소거 측면에서는 "외부 계층 진화를 끄고 동일한 수의 F 구성만 무작위 샘플링"하는 대조군을 추가로 실행하여 이득이 단순히 평가 횟수 증가에서 비롯된 가능성을 배제해야 합니다. 외부 계층 방안이 검증 작업에서 안정적으로 승리하고 신뢰 구간이 겹치지 않을 때만 구조가 유효하다고 판정할 수 있습니다. 검증 작업에서 우위가 사라지면 실패로 판정하고, 내부 계층 노이즈 수준과 예산이 충분한지 되돌아가 점검해야 합니다.