MetaDE: melhorar algoritmos evolutivos com algoritmos evolutivos

O fluxo clássico de otimização concentra toda a atenção no espaço de soluções: fixa-se um conjunto de configurações de evolução diferencial (DE) — estratégia de mutação, taxa de crossover CR, fator de escala F, tamanho da população NP — e itera-se repetidamente para aproximar-se da solução ótima do problema. Mas uma questão permanece sempre em aberto:quem escolheu essa própria configuração?A resposta do MetaDE é tratar o "método que gera soluções candidatas" também como objeto de evolução: uma camada externa adicional de algoritmo evolutivo busca especificamente configurações de algoritmo melhores, formando assim um ciclo fechado de otimização em dois níveis em que "um algoritmo evolutivo melhora um algoritmo evolutivo".

Camada interna e camada externa: como dividir as responsabilidades

Camada interna: recebe um conjunto específico de configurações de DE, executa uma resolução completa numa tarefa real, gera soluções candidatas e devolve uma avaliação de desempenho comparável.
Camada externa: codifica configurações, hiperparâmetros ou combinações de estratégias de DE como indivíduos, usa o desempenho da tarefa como aptidão e emprega um algoritmo evolutivo (seleção, recombinação, mutação) para atualizar as configurações da próxima geração.

Mudança de objetivo: de "encontrar soluções" para "encontrar métodos que saibam encontrar soluções"

O MetaDE não muda a implementação do otimizador, mas o nível do alvo da otimização. A saída do DE tradicional é um vetor de solução; a saída do MetaDE é um conjunto de configurações de algoritmo capaz de produzir soluções melhores de forma estável nesse tipo de tarefa. Ou seja, o objeto da busca sobe de "resposta" para "máquina que produz respostas". Isso permite que o resultado de uma busca na camada externa seja transferido e reutilizado em outras instâncias da mesma família.

Ciclo fechado de feedback e pré-requisitos de engenharia

Todo o sistema é encadeado por um ciclo fechado: a camada externa envia configurações → a camada interna executa a resolução → o desempenho é retornado → a camada externa atualiza com base nele as configurações da próxima geração. É importante notar que, para um indivíduo da camada externa obter aptidão, é preciso pagar o custo de uma execução completa da camada interna (muitas vezes várias, em paralelo), portanto gestão do custo de avaliação e agendamento paralelo são o núcleo do projeto do sistema. É justamente a capacidade da GPU de executar simultaneamente um grande número de tarefas da camada interna que torna viável, na prática, essa metaotimização de "avaliação custosa".

A essência em uma frase

A camada interna cuida de "o que calcular", e a camada externa, de "como calcular melhor". As duas camadas compartilham um mesmo sinal de aptidão — o desempenho da tarefa — e é exatamente isso que permite que formem um ciclo fechado.

Arquitetura de otimização em dois níveis do MetaDE

Este diagrama de arquitetura divide-se em camada interna e externa: a camada externa codifica a estratégia de mutação, a taxa de crossover, o fator de escala e o tamanho da população da evolução diferencial como indivíduos e os atualiza por meio de um algoritmo evolutivo; a camada interna usa esse conjunto de configurações para resolver integralmente tarefas reais e então retorna o desempenho da tarefa como aptidão da camada externa, formando um ciclo fechado de otimização de avaliação custosa.

Questão 1

O que a camada externa (metacamada) do MetaDE considera como objeto de evolução?

O próprio vetor de solução ótima do problema

As configurações de algoritmo da evolução diferencial, como estratégia de mutação, taxa de crossover CR, fator de escala F e tamanho da população NP

A distribuição de amostragem do conjunto de dados de treino

A forma da função objetivo e as restrições

Questão 2

Em um ciclo fechado do MetaDE, qual é a função da camada interna?

Fornecer à camada externa o gradiente analítico da função objetivo

Receber as configurações enviadas pela camada externa, concluir uma resolução numa tarefa real e retornar uma avaliação de desempenho comparável

Decidir como as configurações da próxima geração devem ser selecionadas e mutadas

Modificar diretamente a codificação dos indivíduos da camada externa para acelerar a convergência

Questão 3

Qual das opções descreve corretamente a ordem do ciclo fechado de informação do MetaDE?

Atualização da camada externa → retorno de desempenho → envio de configurações → resolução da camada interna

Resolução da camada interna → atualização da camada externa → envio de configurações → retorno de desempenho

Retorno de desempenho → envio de configurações → atualização da camada externa → resolução da camada interna

Envio de configurações → resolução da camada interna → retorno de desempenho → atualização da camada externa

Questão 4

Em relação à evolução diferencial tradicional, que mudança ocorre no nível do objetivo do MetaDE?

De busca global para descida de gradiente local

De buscar a solução ótima de um único problema para buscar algoritmos e configurações capazes de gerar soluções melhores

De otimização com restrições para otimização sem restrições

De otimização contínua para raciocínio puramente simbólico

Questão 5

Ao projetar um sistema MetaDE, de onde vem geralmente o principal custo computacional? Por que o paralelismo em GPU é uma condição habilitadora essencial?

A camada interna quase não exige computação; o gargalo está totalmente na leitura de dados

O tamanho da população da camada externa deve ser 1, caso contrário não há convergência

Cada avaliação de um indivíduo da camada externa custa uma ou mais execuções completas da camada interna; o paralelismo em GPU executa simultaneamente um grande número de tarefas da camada interna, tornando a metaotimização viável na prática

O comprimento da codificação dos indivíduos da camada externa; o paralelismo apenas reduz o tempo de codificação

Estudo de caso: configurar o MetaDE para um solucionador de rotas logísticas

Leia o cenário, responda às duas questões a seguir e descreva seu projeto e sua justificativa.

Uma equipe já possui um solucionador de planejamento de rotas logísticas baseado em evolução diferencial, mas os parâmetros vêm sendo ajustados manualmente por tentativa e erro há muito tempo. Eles decidiram adotar o MetaDE: a camada externa usa um algoritmo evolutivo para buscar configurações de DE (estratégia de mutação, taxa de crossover CR, fator de escala F, tamanho da população NP), e a camada interna executa o DE completo em várias tarefas reais de entrega e retorna o custo médio de transporte como aptidão. A equipe tem apenas um orçamento limitado de GPU.

Explique separadamente o trabalho assumido pela camada interna e pela camada externa nesse cenário e apresente um exemplo de codificação de um indivíduo de configuração.

Resposta:
Camada interna: recebe uma configuração, executa por completo a evolução diferencial nas tarefas reais de entrega designadas, obtém a solução de rota e o custo médio de transporte e os retorna como avaliação de desempenho comparável. Camada externa: codifica as configurações de DE (estratégia de mutação, CR, F, NP etc.) como indivíduos, usa o custo médio de transporte como aptidão e executa seleção, recombinação e mutação para gerar a população de configurações da próxima geração. Exemplo de codificação: indivíduo = [estratégia de mutação DE/best/1, CR = 0.7, F = 0.5, NP = 60].

Considerando um orçamento limitado de GPU, apresente duas estratégias concretas para reduzir o custo de avaliação ou aumentar a eficiência da busca, justificando cada uma.

Resposta:
Estratégia 1: avaliação em camadas — primeiro usar um pequeno conjunto de tarefas representativas para eliminar rapidamente as configurações claramente piores e reavaliar apenas as de melhor desempenho no conjunto completo de tarefas; a justificativa é que a aptidão da camada externa depende da execução completa da camada interna, e a triagem prévia reduz muito o número de avaliações completas custosas. Estratégia 2: agendamento paralelo em lote — agrupar em lotes as execuções da camada interna correspondentes a todos os indivíduos da mesma geração e submetê-las à GPU; a justificativa é que o paralelismo dilui o tempo de espera de cada indivíduo e aumenta a taxa de avaliação por unidade de tempo. Além disso, também é possível reduzir o tamanho da população da camada externa ou usar um modelo substituto para prever o desempenho aproximadamente, mas é preciso ponderar entre diversidade de busca e viés de estimativa.