Evolução de Dupla Camada (Interna e Externa) e Mecanismo Adaptativo

Evolução de Dupla Camada (Interna e Externa)desacopla “resolver tarefas concretas” e “aperfeiçoar o método de solução” em dois ciclos evolutivos que interagem entre si:camada internadedica-se à resolução das tarefas e gera o desempenho de execução,camada externaevolui, com base nesse desempenho, as configurações e estratégias do algoritmo da camada interna, formando assim um mecanismo adaptativo de aperfeiçoamento de algoritmos. Não se trata de encadear dois algoritmos de forma simples, mas de acrescentar, sobre a camada de resolução de tarefas, um controle meta-nível evolutivo, o que faz o sistema migrar de “algoritmos definidos manualmente” para “algoritmos que se adaptam automaticamente à tarefa”.

Divisão de responsabilidades entre as camadas interna e externa

Responsabilidade da camada interna: resolver tarefas reais, gerando soluções candidatas, valores objetivo e dados de desempenho de execução. Ela é responsável por “resolver o problema”.
Responsabilidade da camada externa: não resolve diretamente a tarefa original; evolui as configurações, estratégias e parâmetros do algoritmo da camada interna. Ela é responsável por “aperfeiçoar o método de resolução”.
Ciclo de retroalimentação: os resultados de avaliação das tarefas da camada interna são agregados em um sinal de aptidão da camada externa, usado para selecionar, mutar e atualizar configurações aprimoradas da camada interna.
Mecanismo adaptativo: a camada externa ajusta continuamente as estratégias da camada interna conforme mudam as tarefas e o ambiente.
Suporte de paralelismo: a GPU pode executar em paralelo um grande número de tarefas da camada interna, fornecendo à evolução da camada externa um retorno estatístico mais robusto e reduzindo o custo de espera da busca.

MetaDE: aperfeiçoar a evolução com evolução

Tomando o MetaDE como exemplo, o DE interno encarrega-se das tarefas de otimização concretas, enquanto o algoritmo evolutivo da camada externa seleciona e ajusta as configurações e estratégias do DE com base no desempenho da camada interna; os resultados de um grande número de tarefas internas orientam, por sua vez, a seleção de configurações da camada externa, formando um ciclo duplo de “aperfeiçoar a evolução com evolução”.

Distinção fundamental

A camada interna produz “soluções”; a camada externa produz “métodos melhores para gerar soluções”. A aptidão da camada externa não é o valor ótimo da tarefa original em si, mas a avaliação do desempenho de uma configuração da camada interna em tarefas em lote.

Objetivos de aprendizagem

Dominar a relação de cooperação entre a resolução de tarefas da camada interna e a otimização de estratégias da camada externa, compreender que a evolução do método consiste em acrescentar, sobre a camada interna, um controle meta-nível evolutivo, e saber explicar como o paralelismo em GPU oferece à camada externa um retorno estatístico mais confiável.

Interação da arquitetura de evolução de dupla camada (interna e externa)

A figura representa a divisão de trabalho por meio de dois ciclos — interno e externo: a camada interna resolve tarefas reais e produz soluções candidatas e desempenho de execução; a camada externa agrega esse desempenho em aptidão, seleciona, muta e atualiza as configurações e estratégias do algoritmo da camada interna. A GPU executa em paralelo um grande número de tarefas da camada interna, fornecendo à camada externa um retorno estatístico mais robusto e formando um ciclo duplo de “aperfeiçoar a evolução com evolução”.

Pergunta 1

Na evolução de dupla camada (interna e externa), qual é a principal responsabilidade do algoritmo da camada interna?

Apenas alocar a memória da GPU para a camada externa

Evoluir diretamente as configurações e estratégias do algoritmo da camada interna

Resolver tarefas reais, gerando soluções candidatas, valores objetivo e dados de desempenho de execução

Substituir a função de aptidão da camada externa e produzir diretamente a configuração ótima

Pergunta 2

Por que a camada de evolução externa não resolve diretamente a tarefa original?

Porque a camada externa precisa parar ao mesmo tempo que a interna

Porque a camada externa só consegue processar strings

Porque a camada externa não possui função de avaliação

Porque a camada externa deve evoluir as configurações, estratégias e parâmetros do algoritmo da camada interna, caracterizando um controle meta-nível

Pergunta 3

Como os resultados de avaliação das tarefas da camada interna influenciam a evolução da camada externa?

São descartados; a camada externa usa apenas perturbações aleatórias

Transformam-se diretamente na solução ótima da tarefa original

São agregados em um sinal de aptidão da camada externa, usado para selecionar, mutar e atualizar as configurações da camada interna

Servem apenas para aumentar a temperatura da GPU

Pergunta 4

Qual é o efeito mais importante do paralelismo em GPU de um grande número de tarefas da camada interna sobre a evolução de dupla camada?

Fazer com que as tarefas da camada interna se tornem automaticamente problemas de objetivo único

Fornecer um retorno estatístico mais robusto e reduzir o custo de espera da busca

Garantir que a camada externa sempre encontre o ótimo global

Eliminar a necessidade de avaliação de aptidão na camada externa

Pergunta 5

Qual das relações a seguir é descrita com maior precisão por “aperfeiçoar a evolução com evolução”?

As camadas interna e externa usam exatamente a mesma função objetivo e não há troca de informações

A camada interna só inicia após o término do treinamento, e a camada externa só opera antes do treinamento

A camada externa substitui diretamente todas as soluções candidatas da camada interna

A camada externa evolui as configurações e estratégias do algoritmo da camada interna, e o desempenho da camada interna retroalimenta a aptidão da camada externa

Estudo de caso: implantação de dupla camada do MetaDE em agendamento com otimização combinatória

Leia o cenário e responda às perguntas.

Uma equipe usa o MetaDE para resolver um problema de agendamento de oficina com restrições complexas. A camada interna utiliza Evolução Diferencial (DE) para resolver em paralelo, na GPU, um grande número de instâncias de tarefas, produzindo para cada instância as soluções candidatas, os valores objetivo e o número de passos de convergência; a camada externa mantém um conjunto de configurações e estratégias do DE (como estratégia de mutação, taxa de cruzamento e tamanho da população). A equipe deseja que o sistema mantenha um desempenho estável mesmo quando a distribuição das tarefas muda.

Delimite as responsabilidades das camadas interna e externa nesse cenário e explique como se forma o ciclo de retroalimentação.

Resposta:
Responsabilidade da camada interna: o DE resolve instâncias de agendamento concretas, produzindo soluções candidatas, valores objetivo, passos de convergência e outros dados de desempenho de execução. Responsabilidade da camada externa: não realiza o agendamento diretamente, mas evolui as configurações e estratégias do DE (estratégia de mutação, taxa de cruzamento, tamanho da população etc.). Ciclo de retroalimentação: o desempenho das tarefas em lote da camada interna é agregado em um sinal de aptidão da camada externa, com base no qual esta seleciona, muta e atualiza configurações aprimoradas da camada interna; as configurações atualizadas retornam à camada interna, fechando o ciclo.

Se a variância dos resultados de avaliação das tarefas da camada interna for muito alta, como deve ser ajustado o projeto de aptidão da camada externa? Qual é o papel do paralelismo em GPU nesse caso?

Resposta:
Deve-se construir a aptidão da camada externa com base no desempenho médio de repetições ou tarefas em lote, na mediana, em estatísticas robustas ou em um limite inferior de confiança com penalização, a fim de reduzir seleções equivocadas causadas por alta variância; se necessário, aumentar o número de amostras de avaliação por conjunto de configurações. O paralelismo em GPU pode executar em lote um grande número de tarefas da camada interna, ampliando a amostra e reduzindo o tempo de espera, o que torna a estimativa de aptidão da camada externa mais estável e, assim, permite selecionar e atualizar as configurações da camada interna com maior confiabilidade.