Эволюция методов(мета-эволюция) возводит сам «способ порождения кандидатов» в ранг объекта оптимизации: алгоритм уже не просто ищет решение — он совершенствует то, как он ищет решение.MetaDE и AutoPSO — две наиболее показательные реализации этой идеи, и обе опираются на один и тот же каркас —двухуровневую архитектуру «внутренний—внешний»: внешний уровень ищет впространстве алгоритмов, а внутренний решает с помощью алгоритмов-кандидатовцелевую задачу. Результаты внутреннего уровня возвращаются на внешний в виде сигнала приспособленности, что побуждает алгоритм непрерывно совершенствоваться и замыкает цикл обратной связи.
Общая абстракция двухуровневой архитектуры
- Внешний уровень (поиск в пространстве алгоритмов): поиск «определения алгоритма» — гиперпараметров, стратегий и комбинаций компонентов. Его пространство поиска — это не пространство решений, а пространство конфигураций и структур алгоритмов.
- Внутренний уровень (решение целевой задачи): реальное решение задачи с помощью алгоритма-кандидата, переданного внешним уровнем, с получением измеримых результатов, которые служат основой для оценки этого кандидата.
- Контур обратной связи: результаты внутреннего уровня агрегируются в приспособленность и возвращаются на внешний уровень, который на их основе отбраковывает слабые конфигурации, сохраняет и мутирует лучшие. Как только цикл замыкается, решение задачи и совершенствование способа решения происходят одновременно.
MetaDE: конфигурация DE передаётся на эволюцию внешнему уровню
MetaDE сохраняет дифференциальную эволюцию в роли внутреннего решателя, а её собственную конфигурацию передаёт на поиск внешнему уровню: выбор стратегии мутации, вероятность скрещивания, масштабирующий фактор и другие параметры перестают быть фиксированными константами и становятся объектами эволюции, адаптивно настраиваемыми под задачу и этап оптимизации. Он отвечает на вопрос «как настроить эту конфигурацию на текущем этапе задачи» и относится к эволюции методов на уровне конфигурации.
AutoPSO: от настройки параметров к изменению структуры алгоритма
AutoPSO рассматривает ключевые параметры и механизмы обучения PSO каккомпонуемые компоненты— инерционный вес, коэффициенты обучения и различные сочетания механизмов индивидуального и группового обучения автоматически подбираются и комбинируются внешним уровнем в варианты PSO, подходящие для разных задач. В отличие от простой настройки параметров, это превращает «выбор алгоритма» в «поиск структуры алгоритма», совершая скачок от адаптации параметров к самогенерации механизмов. Оба подхода дополняют друг друга: MetaDE отвечает за автоматическую оптимизацию конфигурации и гиперпараметров, AutoPSO — за автоматическую компоновку структуры и компонентов, вместе покрывая весь диапазон эволюции от адаптации параметров до самогенерации механизмов.
Структура затрат и инженерные зависимости
Ключевая цена двухуровневой оптимизации — эффект умножения: каждая оценка алгоритма-кандидата на внешнем уровне, как правило, требует нескольких запусков внутреннего уровня (повторные оценки из-за случайности, совместная проверка на нескольких задачах и т. п.), из-за чего вычислительный бюджет заметно возрастает. Поэтому необходимыраспределение бюджета,приближённая оценка,ранняя остановкаилираспараллеливаниеи другие компромиссы. С инженерной точки зрения эффективное выполнение опирается на тензорное распараллеливание, планирование Runtime и компонуемость алгоритмов; иначе масштаб поиска внешнего уровня будет подорван повторными оценками внутреннего.
Двухуровневая архитектура «внутренний—внешний» в MetaDEСхема показывает замкнутый цикл двухуровневой архитектуры MetaDE: внешний уровень ищет в пространстве конфигураций алгоритмов стратегию мутации, вероятность скрещивания и масштабирующий фактор, внутренний запускает дифференциальную эволюцию с этими настройками для решения целевой задачи и агрегирует свои результаты в приспособленность, возвращаемую на внешний уровень, что驱动 отбраковку, сохранение и мутацию конфигураций.
