MetaDE: melhorar algoritmos evolutivos com algoritmos evolutivos

As páginas anteriores trataram osalgoritmos evolutivoscomo ferramentas para resolver problemas: a população busca no espaço de soluções e a aptidão mede a qualidade das soluções candidatas. O MetaDE leva essa relação um passo adiante — ele trata opróprio algoritmo evolutivocomo objeto de evolução, usando uma camada externa de evolução para buscar «como a evolução diferencial interna deve operar». Assim, o objetivo de otimização se amplia de «encontrar a solução do problema» para «melhorar o método de solução».

Estrutura de duas camadas: evolução de configurações e resolução de tarefas

Camada interna (espaço de soluções): executa a evolução diferencial sob uma estratégia de mutação e parâmetros-chave dados (como fator de escala, taxa de cruzamento e tamanho da população), resolve funções de referência ou tarefas de otimização de engenharia e produz o desempenho da tarefa como aptidão.
Camada externa (espaço de configuração do algoritmo): cada indivíduo codifica um conjunto de configurações do algoritmo; sua aptidão não é calculada por ele mesmo, mas determinada pelo desempenho devolvido pela camada interna após resolver a tarefa com essa configuração. Com base nisso, a camada externa seleciona, recombina e muta, produzindo um comportamento algorítmico mais adequado à tarefa atual.
Ciclo fechado: geração da configuração → resolução da tarefa → feedback de desempenho → atualização da configuração; os quatro passos se repetem em ciclo, fazendo o algoritmo se adaptar e melhorar conforme a tarefa, em vez de depender de parâmetros fixados manualmente de antemão.

Distinção essencial: espaço de configuração ≠ espaço de soluções

A camada interna busca «a resposta do problema»; a camada externa busca «um algoritmo que encontre respostas melhor». Embora estejam acopladas — a qualidade da camada externa só pode ser medida executando-se de fato a camada interna —, o objeto de busca, a forma de codificação e os critérios de avaliação são diferentes. Ao perceber isso, você apreende a estrutura geral da metaotimização:Fazer da própria busca o objeto da busca.

Perspectiva da metaotimização

A abordagem tradicional fixa manualmente os parâmetros da evolução diferencial com base na experiência; o MetaDE também confia essa etapa à busca. O custo vem junto: cada avaliação de uma configuração pela camada externa exige uma execução completa da resolução pela camada interna, multiplicando o orçamento computacional; por isso, a granularidade do espaço de configuração e o orçamento de avaliação precisam ser ponderados com cuidado.

Diagrama do princípio de funcionamento da arquitetura de evolução em duas camadas do MetaDE

Observe o diagrama do princípio de funcionamento da arquitetura de evolução em duas camadas do MetaDE e reflita sobre sua relação com «o MetaDE organiza a evolução diferencial em uma estrutura de duas camadas, interna e externa».

Pergunta 1

Para o que o MetaDE ampliou o objeto de otimização, antes restrito às «soluções candidatas do problema»?

Esquemas de escalonamento de poder computacional de hardware

A distribuição de amostragem dos dados de treinamento

O conjunto de soluções candidatas do problema

As estratégias de mutação e as configurações de parâmetros-chave do próprio algoritmo evolutivo

Pergunta 2

Na estrutura de duas camadas do MetaDE, qual camada é responsável por resolver a tarefa real?

A camada externa, que calcula diretamente a aptidão da tarefa

Ambas as camadas buscam soluções candidatas diretamente na tarefa

A camada interna, que executa a evolução diferencial para resolver a tarefa sob uma configuração dada

Nenhuma delas; a resolução da tarefa é feita por um módulo externo

Pergunta 3

Qual é a principal informação que o algoritmo da camada interna retorna à camada externa para orientar a evolução das configurações?

Uma lista com os nomes das estratégias de mutação

As sequências genéticas dos indivíduos da população

O desempenho na tarefa, por exemplo métricas como a aptidão

A semente de números aleatórios

Pergunta 4

Sobre o «espaço de configuração» e o «espaço de soluções», qual afirmação está correta?

A camada externa busca soluções candidatas diretamente no espaço de soluções

A camada interna busca soluções no espaço de soluções, e a camada externa busca configurações do algoritmo no espaço de configuração

São o mesmo espaço, apenas com nomes diferentes

O espaço de configuração e o espaço de soluções são totalmente independentes e não se influenciam

Pergunta 5

Qual é a ordem do fluxo de execução do ciclo fechado do MetaDE?

Geração da configuração → resolução da tarefa → feedback de desempenho → atualização da configuração

Resolução da tarefa → geração da configuração → feedback de desempenho → atualização da configuração

Feedback de desempenho → geração da configuração → resolução da tarefa → atualização da configuração

Atualização da configuração → feedback de desempenho → geração da configuração → resolução da tarefa

Estudo de caso: configurar a evolução diferencial de forma adaptativa para uma tarefa de engenharia específica

Leia o cenário e responda às perguntas.

Uma equipe de engenharia precisa implantar um solucionador de evolução diferencial para uma tarefa de otimização de parâmetros estruturais. No passado, eles fixavam os parâmetros com base na experiência, mas, diante de novas tarefas, o ajuste manual repetido era demorado e o resultado, instável. A equipe decidiu adotar o MetaDE: delegar as estratégias de mutação e os parâmetros-chave à evolução da camada externa, enquanto a camada interna resolve a tarefa de fato com as configurações candidatas, e o desempenho na tarefa orienta a atualização da camada externa.

1. Nesse cenário, o que os indivíduos da camada externa normalmente precisam codificar? E como a camada externa obtém a base para avaliar se uma configuração é boa ou ruim?

Resposta:
O indivíduo da camada externa codifica um conjunto de configurações do algoritmo, normalmente incluindo: o tipo de estratégia de mutação (como DE/rand/1/bin, DE/best/1/bin etc.) e parâmetros de controle cruciais como o fator de escala F, a taxa de cruzamento CR e o tamanho da população NP, podendo usar codificação mista de vetores reais e opções discretas. A camada externa não pode comprovar sozinha se a configuração é boa; sua aptidão vem da camada interna: executa-se uma vez a evolução diferencial completa com essa configuração na tarefa de otimização estrutural alvo e usam-se como feedback métricas como a precisão de convergência, o número de avaliações de função necessárias ou o tempo de execução; para reduzir o ruído trazido pela aleatoriedade da camada interna, podem-se repetir as execuções várias vezes e tomar a média como a aptidão desse indivíduo.

2. Para verificar se o MetaDE realmente traz ganhos em relação aos parâmetros fixados manualmente por experiência, como deve ser desenhado um experimento controlado? E quais custos e riscos precisam ser considerados?

Resposta:
Pontos do desenho controlado: manter as variáveis de controle, com a mesma tarefa, o mesmo orçamento de avaliação (por exemplo, o mesmo limite de número de avaliações de função), a mesma população inicial e o mesmo conjunto de sementes aleatórias; o grupo de controle usa uma configuração clássica de DE com parâmetros empíricos (como DE/rand/1/bin com F e CR fixos); o grupo experimental usa as configurações evoluídas pelo MetaDE; ambos os grupos devem ser executados repetidamente de forma independente, comparando a qualidade da solução final e as curvas de convergência, com testes estatísticos para descartar casualidade. Custos e riscos: cada avaliação de uma configuração pela camada externa exige uma execução completa da resolução pela camada interna, multiplicando o orçamento computacional; as configurações evoluídas podem sobreajustar-se à tarefa atual, e o ganho pode desaparecer ao trocar de tarefa; o ruído de desempenho da camada interna pode enganar a seleção da camada externa e levar à escolha de configurações inadequadas, sendo necessárias repetições suficientes e critérios de avaliação robustos.