MetaDE: улучшение эволюционных алгоритмов с помощью эволюционных алгоритмов

На предыдущих страницахэволюционный алгоритмрассматривался как инструмент решения задач: популяция ведёт поиск в пространстве решений, а приспособленность оценивает качество кандидатных решений. MetaDE делает следующий шаг — онсам эволюционный алгоритмделает объектом эволюции и с помощью внешнего слоя эволюции ищет, «как должно работать внутреннее дифференциальное развитие». Так цель оптимизации расширяется от «поиска решения задачи» до «улучшения метода решения».

Двухуровневая структура: эволюция конфигураций и решение задач

Внутренний уровень (пространство решений): запускает дифференциальную эволюцию с заданной стратегией мутации и ключевыми параметрами (такими как масштабирующий фактор, вероятность скрещивания, размер популяции), решает эталонные функции или задачи инженерной оптимизации и выдаёт производительность задачи в качестве приспособленности.
Внешний уровень (пространство конфигураций алгоритма): каждая особь кодирует одну конфигурацию алгоритма; её приспособленность вычисляется не самостоятельно, а определяется производительностью, которую внутренний уровень возвращает после решения задачи с этой конфигурацией. На основе этого внешний уровень выполняет отбор, рекомбинацию и мутацию, порождая поведение алгоритма, лучше адаптированное к текущей задаче.
Замкнутый цикл: генерация конфигурации → решение задачи → обратная связь по производительности → обновление конфигурации. Эти четыре шага повторяются циклически, позволяя алгоритму адаптивно улучшаться под задачу, а не полагаться на предварительно зафиксированные вручную параметры.

Ключевое различие: пространство конфигураций ≠ пространство решений

Внутренний уровень ищет «ответ на задачу», внешний уровень ищет «алгоритм, который лучше находит ответы». Хотя они взаимосвязаны — качество внешнего уровня можно измерить только после реального запуска внутреннего — объекты поиска, способы кодирования и критерии оценки у них разные. Осознав это, вы ухватите универсальный каркас метаоптимизации:Пусть сам поиск станет объектом поиска.

Взгляд с позиции метаоптимизации

Традиционный подход полагается на ручную фиксацию параметров дифференциальной эволюции на основе опыта; MetaDE передаёт и этот шаг поиску. Но за это приходится платить: при каждой оценке конфигурации внешним уровнем необходимо полностью запустить внутреннее решение, и вычислительный бюджет растёт кратно, поэтому гранулярность пространства конфигураций и бюджет оценки требуют тщательного баланса.

Схема работы двухуровневой эволюционной архитектуры MetaDE

Рассмотрите схему работы двухуровневой эволюционной архитектуры MetaDE на рисунке и подумайте, как она связана с тем, что «MetaDE организует дифференциальную эволюцию в двухуровневую структуру».

Вопрос 1

До чего MetaDE расширяет объект оптимизации, выходя за рамки «кандидатных решений задачи»?

Схема планирования аппаратных вычислительных ресурсов

Распределение выборки обучающих данных

Множество кандидатных решений задачи

Собственная стратегия мутации и конфигурация ключевых параметров эволюционного алгоритма

Вопрос 2

Какой уровень в двухуровневой структуре MetaDE отвечает за решение реальной задачи?

Внешний уровень, он напрямую вычисляет приспособленность задачи

Оба уровня напрямую ищут кандидатные решения задачи

Внутренний уровень, он запускает дифференциальную эволюцию для решения задачи с заданной конфигурацией

Ни один из них — решение задачи выполняет внешний модуль

Вопрос 3

Какую основную информацию внутренний алгоритм возвращает внешнему уровню для управления эволюцией конфигураций?

Список названий стратегий мутации

Генные последовательности особей популяции

Производительность задачи, например показатели приспособленности и другие

Зерно генератора случайных чисел

Вопрос 4

Что из следующего верно относительно «пространства конфигураций» и «пространства решений»?

Внешний уровень напрямую ищет кандидатные решения в пространстве решений

Внутренний уровень ищет решения в пространстве решений, внешний уровень ищет конфигурации алгоритма в пространстве конфигураций

Это одно и то же пространство, просто называемое по-разному

Пространство конфигураций и пространство решений полностью независимы и не влияют друг на друга

Вопрос 5

Каков порядок шагов замкнутого цикла работы MetaDE?

Генерация конфигурации → решение задачи → обратная связь по производительности → обновление конфигурации

Решение задачи → генерация конфигурации → обратная связь по производительности → обновление конфигурации

Обратная связь по производительности → генерация конфигурации → решение задачи → обновление конфигурации

Обновление конфигурации → обратная связь по производительности → генерация конфигурации → решение задачи

Кейс: адаптивная настройка дифференциальной эволюции для конкретной инженерной задачи

Прочитайте сценарий и ответьте на вопросы.

Инженерной команде необходимо развернуть решатель на основе дифференциальной эволюции для задачи оптимизации параметров конструкции. Раньше они полагались на эмпирически фиксированные параметры, но при столкновении с новыми задачами многократная ручная настройка была трудоёмкой, а результат — нестабильным. Команда решила внедрить MetaDE: стратегию мутации и ключевые параметры передать на эволюцию внешнему уровню, внутренний уровень с помощью кандидатных конфигураций реально решает задачу, а производительность задачи определяет обновление внешнего уровня.

1. Что обычно должна кодировать особь внешнего уровня в этом сценарии? И как внешний уровень получает основание для оценки качества конфигурации?

Ответ:
Особь внешнего уровня кодирует одну конфигурацию алгоритма, обычно включающую: тип стратегии мутации (например, DE/rand/1/bin, DE/best/1/bin и т. п.), а также ключевые управляющие параметры — масштабирующий фактор F, вероятность скрещивания CR, размер популяции NP и другие; можно применять смешанное кодирование из вещественных векторов и дискретных вариантов. Внешний уровень не может сам доказать качество конфигурации, его приспособленность приходит от внутреннего уровня: с данной конфигурацией один раз полностью запускается дифференциальная эволюция на целевой задаче оптимизации конструкции, а в качестве обратной связи берутся показатели производительности — точность сходимости, необходимое число оценок функции или затраченное время; чтобы снизить шум, вносимый случайностью внутреннего уровня, можно выполнять несколько повторных запусков и брать среднее как приспособленность данной особи.

2. Чтобы проверить, что MetaDE действительно даёт выигрыш по сравнению с эмпирическими параметрами, как следует спроектировать контрольный эксперимент? И какие издержки и риски при этом необходимо учитывать?

Ответ:
Ключевые моменты дизайна контроля: сохранять контролируемые переменные — одна и та же задача, один и тот же бюджет оценки (например, одинаковый лимит числа оценок функции), одинаковая начальная популяция и одинаковый набор случайных зёрен; контрольная группа использует классическую конфигурацию DE с эмпирическими параметрами (например, DE/rand/1/bin с фиксированными F и CR); экспериментальная группа использует конфигурации, эволюционированные MetaDE; обе группы независимо повторяются много раз, сравнивается качество итогового решения и кривые сходимости, проводится статистическая проверка для исключения случайности. Издержки и риски: при каждой оценке конфигурации внешним уровнем необходимо полностью запустить внутреннее решение, вычислительный бюджет растёт кратно; эволюционированная конфигурация может переобучиться под текущую задачу, и при смене задачи выигрыш может исчезнуть; шум производительности внутреннего уровня может ввести внешний уровень в заблуждение и привести к ошибочному выбору конфигурации, поэтому необходимо достаточное число повторений и устойчивый критерий оценки.