Em métodos como o MetaDE, a evolução ocorre nonível de parâmetros: o algoritmo interno resolve a tarefa real, e o algoritmo externo ajusta a configuração e a estratégia do algoritmo interno. Já o AutoPSO e o EvoGO elevam o objeto evoluído mais um nível — evoluem diretamente a própriaestrutura do algoritmo: como os componentes se combinam, como os candidatos são gerados e como as regras de atualização se organizam.
Critério: o que o nível externo realmente busca
Para distinguir "ajuste de parâmetros" de "mudança de estrutura", não basta olhar o nome do método; é preciso observar onível do espaço de busca externo. O espaço de busca externo de métodos como o MetaDE é a configuração e a estratégia do algoritmo interno (valores como fator de aprendizado, probabilidade de mutação, pressão de seleção); já o espaço de busca externo do AutoPSO / EvoGO é a estrutura do algoritmo — quais componentes participam da combinação, como é o fluxo de geração de candidatos e como o estado é atualizado.
- nível de parâmetros: estrutura fixa, apenas valores numéricos são ajustados. O alcance é a "intensidade" do comportamento.
- Camada estrutural: componentes e conexões são variáveis. O alcance é a "forma" do comportamento.
AutoPSO: decompõe o PSO clássico em um pool de componentes
A fórmula de atualização de velocidade–posição do PSO clássico é fixa. O AutoPSO decompõe esse processo em componentes combináveis: termo de velocidade, topologia de vizinhança, termo de perturbação, estratégia de reinicialização, etc., que o nível externo evolutivo seleciona e monta em um novo gerador de candidatos. Ele não segue mais a estrutura fixa de atualização clássica; em vez disso, faz da própria "estrutura de atualização" uma variável pesquisável. Ajustar o fator de aprendizado altera apenas a intensidade do comportamento; mudar a combinação de componentes altera a forma do comportamento.
EvoGO: deixa o feedback histórico decidir para onde a estrutura muda
O EvoGO foca em integrar o feedback histórico ao caminho de evolução da estrutura: as trajetórias de busca anteriores e os registros de desempenho deixam de ser usados apenas para "selecionar soluções" e passam a decidir "para onde a estrutura muda em seguida". O feedback, portanto, deixa de ser um filtro de resultados e se torna o volante da atualização estrutural — ele altera a direção dos candidatos de estrutura da próxima rodada, em vez de apenas escolher um bom resultado entre um lote de candidatos já concluídos.
Esqueleto de dois níveis compartilhado e implicações de engenharia
Ambos compartilham o mesmo esqueleto: o algoritmo interno executa em tarefas reais e o nível externo evolui a estrutura com base no desempenho do nível interno. O pré-requisito fundamental é a densidade de amostras — a execução paralela em lote de muitas tarefas internas na GPU torna as amostras de pares "estrutura–desempenho" suficientemente densas, de modo que a seleção externa tenha significado estatístico e não seja influenciada pelo ruído de uma única execução.
Relação de evolução estrutural entre AutoPSO e EvoGOO diagrama compara a evolução no nível de parâmetros e no nível estrutural: no MetaDE, o nível externo busca valores de configuração como fator de aprendizado e probabilidade de mutação, com a estrutura do algoritmo fixa; no AutoPSO e no EvoGO, o nível externo busca como os componentes se combinam e como a geração de candidatos e as regras de atualização se organizam. O AutoPSO decompõe a atualização do PSO em um pool de componentes — termo de velocidade, topologia de vizinhança, perturbação, reinicialização etc. — para o nível externo selecionar e montar, enquanto o EvoGO usa o feedback das trajetórias históricas para decidir para onde a estrutura muda em seguida.
