На современной вычислительной платформе EvoX тензоризованный параллелизм и унифицированный Runtime уже значительно расширилимасштаб вычислительных ресурсов— это узкое место во многом устранено: популяция, результаты оценок и состояние алгоритма могут целиком выполняться на GPU, ускорителях или в распределённом кластере, и десятки тысяч оценок кандидатов больше не нужно обрабатывать последовательно по одному. Когда вычислительные ресурсы открыты, то узкое место, ограничивающее эффективность эволюции, сместилось в другую область —сам способ порождения кандидатных решений по-прежнему задаётся человеком заранее и остаётся неизменным во время работы.
Границы традиционной оптимизации: только поиск решений, без участия в улучшении поиска
Традиционные алгоритмы оптимизации отлично умеют находить решения в заданном пространстве поиска: получив стратегию мутации, набор параметров и структуру окрестности, они раз за разом порождают кандидатные решения, оценивают их и снова выбирают. Проблема в том, что этот механизм порождения кандидатов —внешнезаданная константа, и алгоритм не меняет её на протяжении всей работы. Иными словами, поиску подлежит только «решение», а «способ порождения решений» не ищется.
- Стратегия поиска, параметры или механизм порождения кандидатов задаются человеком заранее и остаются неизменными во время работы.
- Как только способ порождения кандидатов зафиксирован, система может лишь повторять заданную схему и с трудом адаптируется к изменениям задачи, среды и обратной связи.
- Хотя алгоритм умеет находить решения, он сам не участвует в улучшении процесса поиска.
Ключевое действие EvoX: сдвиг задачи на уровень выше
Эволюция методов превращает «как порождать кандидатные решения» из внешнего проектного выбора в объект, который можно искать и эволюционировать. Ключевое действие EvoX — оптимизировать не только кандидатные решения, но и метод их порождения: например, такие настройки дифференциальной эволюции, как стратегия мутации, масштабирующий фактор F и вероятность скрещивания CR, могут войти в цикл эволюции и непрерывно корректироваться по обратной связи.
Таким образом, система ведёт поиск одновременно на двух уровнях:«решение» и «способ порождения решений». Когда форма задачи меняется, среда дрейфует или сигнал обратной связи изменяется, уровень метода тоже может перестраиваться, вместо того чтобы одна фиксированная эвристическая стратегия выдерживала все сценарии.
Почему эта мотивация — фундамент последующего материала
Она объясняет водораздел между EvoX и обычными оптимизаторами: то, как границы объекта эволюции продолжают расширяться наружу, как улучшается сам алгоритм и как система приходит к каскадной и непрерывной эволюции, — всё это строится на этом «сдвиге вверх». Вычислительная платформа решает вопрос «можно ли считать в большом масштабе», а эволюция методов — «может ли вместе с масштабными вычислениями развиваться и способ поиска».
Схема сравнения традиционной одноуровневой оптимизации и эволюции методовНа схеме сравниваются два уровня поиска: традиционная оптимизация лишь многократно порождает, оценивает и отбирает решения в фиксированном пространстве поиска, а стратегии и параметры порождения кандидатов остаются неизменными; эволюция методов включает в цикл эволюции также способы порождения решений — стратегию мутации, масштабирующий фактор F, вероятность скрещивания CR. В результате система ведёт поиск одновременно на двух уровнях — «решения» и «способа порождения решений», — и может непрерывно адаптироваться к задаче и обратной связи, а не просто снова зафиксироваться после замены алгоритма.
