# ระบบวิวัฒนาการอัจฉริยะ EvoX และการปฏิบัติงานวิจัยทางวิทยาศาสตร์แบบ AI Native — เอกสารประกอบการสอน

เวลาเรียน: 1 · หน้าสไลด์: 16

## แนวทางการอ่าน

- [บทที่ 5｜หัวข้อ: วิวัฒนาการวิธีวิทยา: จากการหาคำตอบที่เหมาะสมที่สุดสู่อัลกอริทึมการหาค่าที่เหมาะสมที่สุดเอง](#lecture-lesson-1)

---

<a id="lecture-lesson-1"></a>

## บทที่ 5｜หัวข้อ: วิวัฒนาการวิธีวิทยา: จากการหาคำตอบที่เหมาะสมที่สุดสู่อัลกอริทึมการหาค่าที่เหมาะสมที่สุดเอง

<a id="lecture-page-1"></a>

### วิวัฒนาการวิธีวิทยา: จากการหาคำตอบที่เหมาะสมที่สุดสู่อัลกอริทึมการหาค่าที่เหมาะสมที่สุดเอง

*หน้า 1*

> **เป้าหมายหน้า:** สำรวจกลไกวิวัฒนาการวิธีวิทยาของ MetaDE, AutoPSO และอื่นๆ เรียนรู้วิธีนำวิธีการที่สร้างตัวเลือกมาอยู่ในขอบเขตการหาค่าที่เหมาะสมที่สุด เพื่อให้อัลกอริทึมวิวัฒนาการตัวเองได้

> **เป้าหมายหน้า**
>
> เข้าใจแนวคิดหลักของวิวัฒนาการวิธีวิทยา (Meta-Evolution) เชี่ยวชาญสถาปัตยกรรมที่มอบกลยุทธ์การกลายพันธุ์และไฮเปอร์พารามิเตอร์ให้กับการวิวัฒนาการชั้นนอกปรับให้เหมาะสม บรรลุการก้าวกระโดดของอัลกอริทึมจากการหาคำตอบที่เหมาะสมที่สุดสู่อัลกอริทึมการหาค่าที่เหมาะสมที่สุดเอง

> **ลำดับการบรรยาย**
>
> กำหนดปัญหา หาคำตอบที่เหมาะสมที่สุดของผู้สมัคร
>
> กลยุทธ์การกลายพันธุ์และไฮเปอร์พารามิเตอร์ของอัลกอริทึม (เช่น Differential Evolution DE, Particle Swarm PSO) มักอาศัยการออกแบบโดยมนุษย์หรือการปรับพารามิเตอร์ตามประสบการณ์
>
> นำการตั้งค่าอัลกอริทึม (กลยุทธ์ พารามิเตอร์) เป็นปัจเจกบุคคลของวิวัฒนาการชั้นนอก อัลกอริทึมชั้นในรับผิดชอบแก้ปัญหาต้นฉบับ
>
> วิวัฒนาการชั้นนอกราค้นหากลยุทธ์การกลายพันธุ์และชุดไฮเปอร์พารามิเตอร์ที่ดีที่สุดโดยอัตโนมัติ
>
> 5. สรุปสถาปัตยกรรมการหาค่าที่เหมาะสมที่สุดแบบสองชั้นและความหมายของการวิวัฒนาการตัวเอง

**ประเด็นการสอน**

- ขอบเขตการหาค่าที่เหมาะสมที่สุดเลื่อนจาก "คำตอบ" ขึ้นไปเป็น "วิธีการ/อัลกอริทึม" การหาค่าที่เหมาะสมที่สุดแบบสองชั้น อัลกอริทึมวิวัฒนาการชั้นนอกราค้นหาการตั้งค่าของตัวหาค่าที่เหมาะสมที่สุดชั้นใน (เช่น กลยุทธ์การกลายพันธุ์ อัตราการผสมข้าม น้ำหนักความเฉื่อย ปัจจัยการเรียนรู้ เป็นต้น)
- ฟิตเนสชั้นนอกคือประสิทธิภาพของชั้นในบนปัญหาการตรวจสอบ (เช่น ค่าที่เหมาะสมที่สุดเฉลี่ย ความเร็วการลู่เข้า) เลือกหรือสร้างกลยุทธ์การกลายพันธุ์สำหรับ DE โดยอัตโนมัติและปรับพารามิเตอร์
- ตั้งค่าพารามิเตอร์และโครงสร้างโทโพโลยีของ PSO โดยอัตโนมัติ ลดการปรับพารามิเตอร์ด้วยมือ ค้นพบกลยุทธ์ใหม่ๆ เพิ่มความสามารถในการ generalize ข้ามปัญหา
- การหาค่าที่เหมาะสมที่สุดแบบซ้อนกันทำให้ค่าใช้จ่ายในการคำนวณเพิ่มขึ้นอย่างมีนัยสำคัญ

**ตรวจสอบความเข้าใจ**

ให้นักเรียนตอบ — ในวิวัฒนาการวิธีวิทยา ปัจเจกบุคคลของอัลกอริทึมชั้นนอกเป็นตัวแทนของอะไร? อัลกอริทึมชั้นในมีบทบาทอะไร? ฟิตเนสถูกนิยามอย่างไร?

> **คำใบ้การเปลี่ยนผ่าน**
>
> หลังจากเข้าใจสถาปัตยกรรมสองชั้นแล้ว เนื้อหาต่อไปสามารถขยายรายละเอียดการนำไปใช้และผลการทดลองของ MetaDE หรือ AutoPSO ได้

<a id="lecture-page-2"></a>

### ภูมิหลังและแรงจูงใจหลักของวิวัฒนาการวิธีวิทยา

*หน้า 2*

> **เป้าหมายหน้า:** ผู้เรียนควรเข้าใจข้อจำกัดของการตั้งค่าโดยมนุษย์ของวิธีการหาค่าที่เหมาะสมที่สุดแบบดั้งเดิมเมื่อพลังการคำนวณขยายตัวขึ้น

**ประเด็นการสอน**

- วิวัฒนาการวิธีวิทยาเวอร์ชันหนึ่งประโยคคือ: <em>คำตอบกำลังวิวัฒนาการ วิธีการที่สร้างคำตอบก็กำลังวิวัฒนาการเช่นกัน</em> เมื่อเห็นวิธีการใดที่ "แค่ปรับพารามิเตอร์ ไม่เปลี่ยนกลไก" สามารถใช้สิ่งนี้来判断ว่าตัวเองหยุดอยู่ที่ชั้นแรกหรือขึ้นไปถึงชั้นที่สองแล้ว
- การปรับไฮเปอร์พารามิเตอร์มักเป็นการค้นหาแบบออฟไลน์ครั้งเดียวก่อนรัน เมื่อเลือกค่าแล้วก็ตรึงไว้ โดย本质上ยังเป็นการตั้งค่าโดยมนุษย์; วิวัฒนาการวิธีวิทยาคือการนำวิธีการเองมาเป็นวัตถุการค้นหาระหว่างการรัน ปรับตัวอย่างต่อเนื่องจากผลตอบกลับ เกณฑ์การตัดสินคือ: กลไกที่สร้างตัวเลือกนี้จะเปลี่ยนแปลงระหว่างการรันหรือไม่
- สามารถอธิบายความแตกต่างระหว่างสองฝั่งได้หรือไม่? ถ้าคุณพูดได้แค่ "ฝั่งขวาคำนวณเร็วกว่า หาคำตอบได้ดีกว่า" แสดงว่ายังไม่จับประเด็น; ประเด็นคือวัตถุการค้นหาฝั่งขวามีเพิ่มขึ้นหนึ่งชั้น — วิธีการเองเข้าสู่วงจรของการถูกค้นหา ถูกประเมิน ถูกอัปเดต

【เป้าหมายหน้า】

เมื่อขนาดพลังการคำนวณไม่เป็นคอขวดอีกต่อไป สิ่งที่จำกัดผลของวิวัฒนาการจริงๆ คือ "วิธีการที่สร้างคำตอบยังคงถูกตั้งค่าโดยมนุษย์ล่วงหน้าและตรึงไว้เป็นเวลานาน" เมื่อเข้าใจจุดอ่อนชั้นนี้แล้ว จึงจะพูดถึงการนำกลยุทธ์การกลายพันธุ์ ปัจจัยการขยาย และอัตราการผสมข้ามเข้าสู่วัตถุวิวัฒนาการได้

【ลำดับการบรรยาย】

แนะนำให้ดำเนินตามเส้นทาง "พลังการคำนวณเปิดออก → จุดอ่อนย้ายที่ → ขอบเขตของการหาค่าที่เหมาะสมที่สุดแบบดั้งเดิม → ระดับปัญหาเลื่อนขึ้น → การวิเคราะห์และปูพื้น" แล้วปิดท้ายด้วยแบบฝึกหัดในชั้นเรียนและการอภิปรายกรณีศึกษา

【ประเด็นการสอน】

1. ทำไมจุดอ่อนจึงย้ายที่ บนฐานการคำนวณสมัยใหม่ของ EvoX ประชากร ผลการประเมิน และสถานะอัลกอริทึมสามารถเข้าสู่อุปกรณ์เร่งความเร็วหรือคลัสเตอร์แบบกระจายได้ทั้งหมด การประเมินตัวเลือกหลายหมื่นครั้งไม่จำเป็นต้องประมวลผลแบบอนุกรมทีละตัวอีกต่อไป เมื่อชั้นพลังการคำนวณเปิดออกแล้ว ข้อจำกัดที่เหลือก็ตกอยู่ที่ "วิธีการค้นหา": วิธีการที่สร้างคำตอบยังคงถูกตั้งค่าโดยมนุษย์ล่วงหน้าและไม่เปลี่ยนแปลงระหว่างการรัน

2. ขอบเขตของการหาค่าที่เหมาะสมที่สุดแบบดั้งเดิม อัลกอริทึมการหาค่าที่เหมาะสมที่สุดแบบดั้งเดิมเก่งมากในการหาคำตอบในพื้นที่การค้นหาที่กำหนด — ให้กลยุทธ์การกลายพันธุ์ ชุดพารามิเตอร์ โครงสร้างเพื่อนบ้าน แล้วมันก็สร้างตัวเลือกซ้ำๆ ประเมิน แล้วเลือก แต่ต้องระวัง กลไกที่สร้างตัวเลือกนี้เป็นค่าคงที่ที่ออกแบบจากภายนอก อัลกอริทึมจะไม่เปลี่ยนมันตลอดการรัน กล่าวอีกนัยหนึ่ง สิ่งที่ถูกค้นหามีแค่ "คำตอบ" "วิธีการสร้างคำตอบ" ไม่ได้ถูกค้นหา ผลที่ตามมาสองประการ: ระบบทำได้แค่ทำซ้ำตามสูตรที่กำหนดไว้ ยากที่จะขยายตัวอย่างปรับตัวตามปัญหา สภาพแวดล้อม และผลตอบกลับ; แม้อัลกอริทึมจะหาคำตอบได้ แต่ตัวมันเองไม่ได้มีส่วนร่วมในการปรับปรุงกระบวนการค้นหา

ปัญหาถูกเลื่อนขึ้นหนึ่งระดับ วิวัฒนาการวิธีวิทยาเปลี่ยน "วิธีการสร้างคำตอบ" จากการเลือกออกแบบจากภายนอก ให้กลายเป็นวัตถุที่ถูกค้นหาและวิวัฒนาการได้ ตัวอย่างเช่น Differential Evolution กลยุทธ์การกลายพันธุ์ ปัจจัยการขยาย F อัตราการผสมข้าม CR ซึ่งเดิมถูกตรึงโดยมนุษย์ ล้วนสามารถเข้าสู่วงจรวิวัฒนาการและถูกปรับอย่างต่อเนื่องจากผลตอบกลับ ดังนั้นระบบจึงค้นหาสองระดับพร้อมกัน: "คำตอบ" และ "วิธีการสร้างคำตอบ" เมื่อรูปแบบปัญหาเปลี่ยน สภาพแวดล้อมคลาดเคลื่อน หรือสัญญาณตอบกลับเปลี่ยน ระดับวิธีการก็สามารถเขียนใหม่ได้เช่นกัน แทนที่จะให้กลยุทธ์ฮิวริสติกแบบคงที่ต้านทุกสถานการณ์

4. คำใบ้การวิเคราะห์ วิวัฒนาการวิธีวิทยาไม่เท่ากับ "เปลี่ยนอัลกอริทึมที่ดีกว่า" การเปลี่ยนอัลกอริทึมยังคงเป็นการเลือกโดยมนุษย์ครั้งเดียว เมื่อเลือกแล้วก็ถูกตรึงอีก; วิวัฒนาการวิธีวิทยาเน้นว่ากลไกที่สร้างตัวเลือกนี้อยู่ในสถานะที่ถูกค้นหา ถูกปรับอย่างต่อเนื่อง เกณฑ์การตัดสินสามารถย่อเป็นประโยคเดียว: กลไกที่สร้างตัวเลือกนี้จะเปลี่ยนแปลงระหว่างการรันหรือไม่

5. ทำไมแรงจูงใจนี้จึงเป็นรากฐานของเนื้อหาต่อไป มันขีดเส้นแบ่งระหว่าง EvoX กับตัวหาค่าที่เหมาะสมที่สุดทั่วไป — ขอบเขตของวัตถุวิวัฒนาการจะขยายออกไปอย่างไร อัลกอริทึมเองจะถูกปรับปรุงอย่างไร ระบบจะมุ่งสู่การเชื่อมโยงแบบเรียงซ้อนและวิวัฒนาการต่อเนื่องได้อย่างไร ล้วนสร้างอยู่บน "การเลื่อนขึ้น" ชั้นนี้ กล่าวได้ว่า ฐานพลังการคำนวณแก้ปัญหา "คำนวณได้มากขนาดนั้นไหม" วิวัฒนาการวิธีวิทยาแก้ปัญหา "ในขณะที่คำนวณมาก วิธีการค้นหาจะเติบโตไปพร้อมกันได้ไหม"

【จุดยึดความจำ】

คำตอบกำลังวิวัฒนาการ วิธีการที่สร้างคำตอบก็กำลังวิวัฒนาการเช่นกัน เมื่อเห็นวิธีการใดที่ "แค่ปรับพารามิเตอร์ ไม่เปลี่ยนกลไก" สามารถใช้สิ่งนี้来判断ว่าตัวเองหยุดอยู่ที่ชั้นแรกหรือขึ้นไปถึงชั้นที่สองแล้ว

【การจัดการแบบฝึกหัด】

หน้านี้มีคำถามแบบเลือกตอบ 5 ข้อ สามารถจัดให้ทำหลังการบรรยาย โดยชี้เกณฑ์การตัดสินทีละข้อ:

เกี่ยวกับข้อจำกัดพื้นฐานของการหาค่าที่เหมาะสมที่สุดแบบดั้งเดิม ตัวเลือกที่ถูกต้องคือ "หาแต่คำตอบในพื้นที่การค้นหาที่กำหนด กลไกที่สร้างตัวเลือกถูกตั้งค่าโดยมนุษย์และไม่ถูกปรับปรุง" ถ้านักเรียนเลือก "คำนวณช้า" หรือ "ไม่สามารถทำแบบขนานได้" ให้เตือนว่านั่นเป็นปัญหาระดับฐานการคำนวณ ขณะที่หน้านี้ discuss ว่าวิธีการค้นหาสามารถถูกปรับปรุงได้หรือไม่

เกี่ยวกับเหตุใดคอขวดจึงเด่นชัดหลังพลังการคำนวณเปิดออก ประเด็นสำคัญคือ "วิธีการที่ตรึงไว้ทำได้แค่ทำซ้ำตามสูตรที่กำหนด ยากที่จะขยายตัวอย่างปรับตัวตามปัญหา สภาพแวดล้อม และผลตอบกลับ" การทำเทนเซอร์และ Runtime ก็เพื่อการคำนวณแบบกลุ่มที่มีประสิทธิภาพ ดังนั้นคอขวดไม่ได้อยู่ที่ "คำนวณได้ไหม" แต่อยู่ที่ "วิธีการค้นหาเปลี่ยนได้ไหม"

เกี่ยวกับ "การเลื่อนปัญหาขึ้นหนึ่งระดับ" ต้องเน้นว่าวัตถุการค้นหาขยายจาก "คำตอบ" ไปเป็น "วิธีการสร้างคำตอบ" ไม่ใช่เปลี่ยนฮาร์ดแวร์หรือเขียนรูปแบบปัญหาใหม่

เกี่ยวกับวัตถุที่ถูกวิวัฒนาการใน Differential Evolution คำตอบคือ กลยุทธ์การกลายพันธุ์ ปัจจัยการขยาย F และอัตราการผสมข้าม CR; ค่าที่เหมาะสมที่สุดคือผลลัพธ์ที่ถูกค้นหา ฮาร์ดแวร์และข้อมูลเป็นเงื่อนไขภายนอก

เกี่ยวกับรากฐานที่แรงจูงใจของหน้านี้มอบให้เนื้อหาต่อไป ตกอยู่ที่ "การขยายขอบเขตวัตถุวิวัฒนาการ การปรับปรุงอัลกอริทึมเอง และวิวัฒนาการต่อเนื่องระดับระบบ"

【การอภิปรายกรณีศึกษา】

ทีมทดลองออฟไลน์แล้วตรึงกลยุทธ์การกลายพันธุ์ F=0.5 CR=0.9 จากนั้นไม่แก้ไขเป็นเวลานาน; ครึ่งปีต่อมาเมืองเพิ่มเขตจำกัดการขับขี่ โครงสร้างคำสั่งซื้อเปลี่ยนจาก "น้อยชุด หลายจุด" เป็น "มากชุด น้อยจุด" คุณภาพคำตอบลดลงต่อเนื่อง และทุกครั้งที่ปรับพารามิเตอร์ต้องทำการทดลองออฟไลน์ใหม่ วงจรการตอบสนองนับเป็นสัปดาห์

ปัญหาคือพวกเขาค้นหาแค่ในระดับ "เส้นทางตัวเลือก" กลไก "วิธีการสร้างเส้นทางตัวเลือก" ถูกตั้งค่าโดยมนุษย์และตรึงไว้เป็นเวลานาน นี่คือขอบเขตของการหาค่าที่เหมาะสมที่สุดแบบดั้งเดิม ถ้านำวิวัฒนาการวิธีวิทยามาใช้ สิ่งที่เข้าสู่พื้นที่การค้นหาคือ การเลือกกลยุทธ์การกลายพันธุ์ F CR รวมถึงชุดพารามิเตอร์ที่เกี่ยวข้องและกฎการจัดตารางกลยุทธ์ พวกมันเปลี่ยนจากค่าคงที่เป็นวัตถุที่สามารถปรับได้อย่างต่อเนื่องจากผลการประเมินที่ส่งกลับ

ทีมนี้สามารถประเมินตัวเลือกกว่าล้านครั้งต่อวันบนอุปกรณ์เร่งความเร็วแล้ว แสดงว่าคอขวด "คำนวณไม่ไหว" เปิดออกแล้ว จุดอ่อนที่เหลือก็คือ "วิธีการค้นหาถูกตรึงไว้" หลังนำระดับวิธีการเข้าสู่วิวัฒนาการ ค่าใช้จ่ายในการค้นหาวิธีการเพิ่มเติมสามารถใช้ความสามารถแบบขนานเป็นกลุ่มชุดเดียวกับการค้นหาคำตอบ ต้นทุนส่วนเพิ่มควบคุมได้ วิธีลงมือที่สมเหตุสมผลคือนำกลยุทธ์การกลายพันธุ์และ F CR เป็นสถานะที่วิวัฒนาการได้แนบอยู่บนเทนเซอร์ประชากร เข้าสู่กราฟการคำนวณแบบกลุ่มพร้อมสถานะอื่นๆ; ผลการประเมินเป็นสัญญาณตอบกลับส่งกลับไปยังระดับวิธีการ อัปเดตการกระจายกลยุทธ์และพารามิเตอร์ตามจังหวะที่กำหนด; พร้อมกันนั้นเก็บการตั้งค่าพื้นฐานออฟไลน์ไว้เป็นตัวเปรียบเทียบ ประเมินผลตอบแทนสุทธิด้วยคุณภาพคำตอบและเวลาขึ้นระบบตอบสนองภายใต้งบประมาณพลังการคำนวณเดียวกัน

【ตรวจสอบความเข้าใจ】

ให้นักเรียนอธิบายความแตกต่างระหว่างการหาค่าที่เหมาะสมที่สุดแบบชั้นเดียวแบบดั้งเดิมกับวิวัฒนาการวิธีวิทยา ถ้าพวกเขาพูดได้แค่ "ฝั่งขวาคำนวณเร็วกว่า หาคำตอบได้ดีกว่า" แสดงว่ายังไม่จับประเด็น; ประเด็นคือวัตถุการค้นหาฝั่งขวามีเพิ่มขึ้นหนึ่งชั้น — วิธีการเองเข้าสู่วงจรของการถูกค้นหา ถูกประเมิน ถูกอัปเดต

【คำใบ้การเปลี่ยนผ่าน】

ต่อไปจะนำ "การเลื่อนขึ้น" ชั้นนี้มาสู่กลไกที่เป็นรูปธรรม ดูว่าอัลกอริทึมเองถูกปรับปรุงอย่างไร

<a id="lecture-page-3"></a>

### วิวัฒนาการทางเทคนิคและรากเหง้าทางประวัติศาสตร์ของระบบอัจฉริยะ

*หน้า 3*

> **เป้าหมายหน้า:** ผู้เรียนควรเข้าใจสถานะรากเหง้าทางเทคนิคของการคำนวณวิวัฒนาการในการบรรจบกันของหลายเส้นทาง

> **เป้าหมายหน้า**
>
> ดึงประวัติศาสตร์เทคโนโลยีของระบบอัจฉริยะกลับจากความเข้าใจผิดเรื่อง "วิวัฒนาการเส้นเดียว" ให้นักเรียนเข้าใจตำแหน่งของการคำนวณวิวัฒนาการในการบรรจบกันของสี่รากเหง้า และเข้าใจแนวทางสถาปัตยกรรมของ EvoX จากสิ่งนี้ — ถือ "วิวัฒนาการต่อเนื่อง" เป็นความสามารถของระบบที่รันได้ ไม่ใช่เทคนิคเล็กๆ ในระดับอัลกอริทึม

**ประเด็นการสอน**

- หนึ่ง สี่รากเหง้า สี่วิธีถาม การอ่านประวัติศาสตร์เทคโนโลยีเป็นเส้นตรงจะประเมินระบบอัจฉริยะวันนี้ผิดอย่างรุนแรง Symbolism สนใจ "กฎและสัญลักษณ์" ใช้การแสดงความรู้อย่างชัดแจ้งและการอนุมานเชิงตรรกะ来描述ความฉลาด วาง "อธิบายให้ชัด" ก่อน "คำนวณออกมา" ราคาที่ต้องจ่ายคือยากที่จะรับมือกับความเป็นจริงที่คลุมเครือ มิติสูง และมีสัญญาณรบกวน
- Connectionism สนใจ "ข้อมูลและการแสดงแทน" ใช้โครงข่ายประสาทเทียมและการแสดงแทนแบบกระจายทำการเรียนรู้พารามิเตอร์ เก่งในการ fit การแมปที่ซับซ้อน แต่มักต้องการเป้าหมายและป้ายกำกับที่ระบุชัดเจน
- Cybernetics สนใจ "ผลตอบกลับและวงปิด" เข้าใจความฉลาดเป็นกระบวนการปรับตัวอย่างต่อเนื่องระหว่างระบบกับสภาพแวดล้อม มันมอบกลไก "การแก้ไขอย่างต่อเนื่อง" แต่ปล่อย "ควรสำรวจอะไร" ให้กลยุทธ์การค้นหา
- การคำนวณวิวัฒนาการสนใจ "ประชากร การกลายพันธุ์ การเลือก" ใช้ประชากร承载ความหลากหลาย ใช้การกลายพันธุ์และการรวมตัวสร้างการเปลี่ยนแปลง ใช้การประเมินและการเลือกเก็บโครงสร้างที่มีประสิทธิผล มันไม่ตอบ "คำตอบที่ถูกต้องคืออะไร" แต่ตอบ "จะดีขึ้นอย่างต่อเนื่องในพื้นที่เปิดได้อย่างไร" เมื่อเจอคำบรรยายประวัติศาสตร์เทคโนโลยีใดๆ ใช้สี่คำสำคัญนี้ระบุว่ามันเป็นของรากเหง้าใดก่อน จะตัดสินได้เร็วขึ้นมาก สอง การบรรจบไม่ใช่การแทนที่ สามเส้นทางคลาสสิกมอบความสามารถในการแสดงแทน การสร้าง และการ fit การคำนวณวิวัฒนาการมอบกลไกการค้นหาแบบเปิด การปรับตัว และการปรับปรุงอย่างต่อเนื่อง
- สองสิ่งซ้อนกันพอดีครอบคลุมปัญหาสองระดับที่แตกต่างกัน "รู้วิธีคำนวณ" กับ "รู้ว่าควรมุ่งไปทางไหน" ดังนั้นคำกล่าวใดที่ว่า "สำนักหนึ่งถูกคัดออกแล้ว" ล้วนเบี่ยงเบนจาก判斷ของหน้านี้: การบรรจบคือการซ้อนกันแบบร่วมมือของกลไกต่างระดับในระบบเดียวกัน ไม่ใช่สำนักหนึ่งกดทับสำนักอื่น สามารถใช้แผนภาพ "สี่รากเหง้า → หนึ่งจุดบรรจบ" บนหน้า ไล่ตามลูกศรจากสี่กล่องด้านซ้ายไปยังจุดบรรจบกลาง แล้วไปทางขวาเข้าสู่ "ระบบอัจฉริยะ" สุดท้ายลงมาที่ "จุดเชื่อมต่อ EvoX: การคำนวณวิวัฒนาการ × GPU × โมเดลขนาดใหญ่" ความฉลาดสามารถส่งมอบเป็น "ผลิตภัณฑ์ที่ตั้งค่าไว้" — กำหนดป้ายกำกับและผลลัพธ์ที่เหมาะสมที่สุดเพียงหนึ่งก่อน ให้โมเดลเข้าใกล้มัน
- หรือบ่มเพาะเป็น "กระบวนการสิ่งแวดล้อม" — กำหนดแค่พื้นที่การค้นหาและเกณฑ์การประเมิน ให้ประชากรค้นพบคำตอบที่ใช้ได้เองในการวนซ้ำ EvoX เลือกอย่างหลัง การตัดสินว่าระบบใหม่เป็นประเภทใด แค่ถามประโยคเดียว: เป้าหมายของมันถูกกำหนดตายตัวโดยมนุษย์ล่วงหน้า หรือถูกกรองออกมาจากการประเมินอย่างต่อเนื่องโดยสภาพแวดล้อม? สี่ ตำแหน่งสถาปัตยกรรมของ EvoX EvoX ยืนอยู่ที่จุดบรรจบ ถือการคำนวณวิวัฒนาการเป็นรากเหง้าทางเทคนิคโดยตรง ผสมผสานกับ GPU โมเดลขนาดใหญ่ และฐานวิศวกรรมร่วมสมัยอื่นๆ ทำให้วิวัฒนาการต่อเนื่องมีความเป็นไปได้ทางวิศวกรรม หน้านี้แค่ปูพื้นเรื่องรากเหง้าและตำแหน่ง รายละเอียดเช่นฐานการทำเทนเซอร์ วิวัฒนาการวิธีวิทยา MetaDE รอไว้ขยายในหน้า后续

**คำสำคัญที่ครอบคลุม**

- Symbolism, Connectionism, Cybernetics, การคำนวณวิวัฒนาการ, จุดบรรจบ, ผลิตภัณฑ์ที่ตั้งค่าไว้, กระบวนการสิ่งแวดล้อม, จุดเชื่อมต่อ EvoX

**การจัดการแบบฝึกหัด**

คำถามแบบเลือกตอบ 5 ข้อ ถามทันทีหลังบรรยาย เน้นการ追问เกณฑ์ไม่ใช่แค่บอกคำตอบ ข้อ 1 คำตอบตกอยู่ที่ Symbolism ถ้านักเรียนเลือกผิด เตือน "เส้นทางใดมีคำสำคัญคือ กฎ สัญลักษณ์ ตรรกะ ไม่ใช่ข้อมูล ผลตอบกลับ หรือประชากร" ข้อ 2 คำกล่าวที่ถูกต้องคือ ประชากรสร้างการเปลี่ยนแปลง ถูกประเมินและเลือกเก็บโครงสร้างที่มีประสิทธิผล ไม่ตั้งคำตอบที่เหมาะสมที่สุดเพียงหนึ่งไว้ล่วงหน้า; ความแตกต่างสำคัญอยู่ที่ "ใคร決定คำตอบ" ข้อ 3 คำตอบคือทำให้วิวัฒนาการต่อเนื่องจากเทคนิคอัลกอริทึมขึ้นเป็นความสามารถของระบบที่รันได้ เตือนได้ว่า "ตำแหน่งสถาปัตยกรรม" หมายถึงไม่แทนที่สำนักใด แต่ทำให้กลไกวิวัฒนาการรันได้จริงและต่อเนื่องได้ ข้อ 4 สิ่งที่สอดคล้องกับมุมมองความฉลาดแบบกระบวนการสิ่งแวดล้อมคือ "กำหนดแค่พื้นที่การค้นหาและเกณฑ์การประเมิน ให้ประชากรค้นพบคำตอบที่ใช้ได้เองในการวนซ้ำ"

ข้อ 5 การตัดสินที่แม่นยำคือเส้นทางคลาสสิกมอบการแสดงแทน การสร้าง และการ fit การคำนวณวิวัฒนาการมอบการค้นหาแบบเปิด การปรับตัว และการปรับปรุงอย่างต่อเนื่อง สาเหตุร่วมของการตอบผิดมักเป็นการอ่าน "การบรรจบ" เป็น "การแทนที่" หรือเข้าใจผิดว่าการคำนวณวิวัฒนาการเป็นวิธีการแบบมีผู้สอนที่ต้องมีป้ายกำกับ ต้องกลับไปที่การบรรยายของหน้านี้เพื่อระบุตำแหน่งใหม่

แผน A ของระบบจัดตารางการจัดส่งด่วนในเมือง (การเรียนรู้แบบมีผู้สอนเข้าใกล้การตัดสินใจที่ดีที่สุดในประวัติศาสตร์ที่ผู้เชี่ยวชาญติดป้าย) กับแผน B (กำหนดแค่พื้นที่การค้นหาและเกณฑ์การประเมินหลายตัว ให้ประชากรค้นหาแบบวนซ้ำ และใช้ GPU ประเมินแบบขนาน) คำถามแรกเปรียบเทียบมุมมองความฉลาดสองแบบ: สาระสำคัญของความแตกต่างไม่ได้อยู่ที่ความซับซ้อนของอัลกอริทึม แต่อยู่ที่คำตอบถูกกำหนดโดยมนุษย์ล่วงหน้า หรือถูกกรองออกมาจากการประเมินอย่างต่อเนื่องโดยสภาพแวดล้อม; EvoX ใกล้เคียงกับแผน B มากกว่า คำถามที่สองเกี่ยวกับความเสี่ยงระยะยาวของเกณฑ์การประเมินและวิธีรับมือ: คำตอบที่เป็นไปได้รวมถึงการออกแบบตัวชี้วัดไม่ดีทำให้ optimize เป้าหมายผิดอย่างแม่นยำ มาตรฐานตรึงตัวแล้วความหลากหลายของประชากรลดลงและการค้นหาหยุดชะงัก ตัวชี้วัดถูกตอบสนองด้วยวิธีหลบเลี่ยงทำให้คำตอบที่ได้ไม่เป็นที่ยอมรับทางธุรกิจ;
มาตรการที่สอดคล้องกันรวมถึงการถ่วงน้ำหนักหลายวัตถุประสงค์หรือพาเรโตฟรอนต์และการปรับน้ำหนักใหม่เป็นระยะ การนำการรักษาความหลากหลายและการรีอินิทิไบซ์เป็นระยะ การตั้งข้อจำกัดแข็งและการตรวจสอบความปลอดภัยสำหรับตัวเลือก และการป้อนผลจริงของคำตอบที่ถูกนำไปใช้กลับเป็นวงปิดของเกณฑ์การประเมิน

**ตรวจสอบความเข้าใจ**

ให้นักเรียนหนึ่งคนพูดด้วยคำพูดตัวเองว่าสี่รากเหง้าแต่ละอันแก้ปัญหาอะไร แล้วทวนความแตกต่างระหว่าง "ผลิตภัณฑ์ที่ตั้งค่าไว้" กับ "กระบวนการสิ่งแวดล้อม" ผู้สอนเติมคำสำคัญที่ขาดตามคำตอบ โดยเฉพาะ "การประเมินและการเลือก" และ "ไม่ตั้งคำตอบที่เหมาะสมที่สุดเพียงหนึ่งไว้ล่วงหน้า" สองจุดนี้

> **คำใบ้การเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถอธิบายความสัมพันธ์ระหว่างสี่รากเหง้ากับจุดบรรจบได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับการขยายรายละเอียดวิวัฒนาการวิธีวิทยาและฐานการทำเทนเซอร์

<a id="lecture-page-4"></a>

### การขยายขอบเขตวิวัฒนาการโดยโมเดลขนาดใหญ่และพลังการคำนวณ

*หน้า 4*

> **เป้าหมายหน้า:** ผู้เรียนควรเข้าใจว่า GPU แบบขนานและโมเดลขนาดใหญ่ร่วมกันขยายพื้นที่การสร้างตัวเลือกและการสำรวจอย่างไร

> **เป้าหมายหน้า**
>
> เข้าใจว่าพลังการคำนวณแบบขนานของ GPU และการสร้างเชิงความหมายของโมเดลขนาดใหญ่ร่วมกันเป็นฐานวิศวกรรมคู่ของการคำนวณวิวัฒนาการอย่างไร และขยายขอบเขตตัวเลือกจากพารามิเตอร์เชิงตัวเลขไปสู่โปรแกรม โครงสร้างโมเดล และกลไกอัลกอริทึม

> **ลำดับการบรรยาย**
>
> ให้คำถามรวมสองข้อก่อน — พลังการคำนวณกำหนด "สามารถสำรวจตัวเลือกได้เท่าไรในครั้งเดียว" โมเดลขนาดใหญ่กำหนด "สามารถสำรวจตัวเลือกในรูปแบบใดได้" แล้วแยกอธิบายฐานสองแห่ง สุดท้ายอธิบายความสัมพันธ์เสริม การขยายสามระดับ และราคาที่ต้องจ่าย

**ประเด็นการสอน**

- การประเมินประชากรแบบดั้งเดิมเป็นลูปอนุกรมบน CPU ค่าใช้จ่ายในการจัดตารางสะสมตามขนาด การประเมินแบบกลุ่มที่ทำเป็นเทนเซอร์จัดระเบียบตัวเลือก ผลการประเมิน และสถานะอัลกอริทึมเป็นเทนเซอร์ที่คำนวณได้ทั้งหมด ทำให้การสำรวจตัวเลือกหลายหมื่นตัวพร้อมกันกลายเป็นวิธีปกติ สิ่งที่มันแก้คือ throughput ไม่ตัดสินว่าตัวเลือกดีหรือไม่ เป็นการสนับสนุนชั้นล่างของการขยายพื้นที่ตัวเลือก คุณค่าของโมเดลขนาดใหญ่ไม่ได้อยู่ที่คำนวณเร็วขึ้น แต่อยู่ที่เข้าใจโค้ด ความรู้เฉพาะโดเมน และบริบทของงาน สามารถสร้างตัวเลือกที่มีโครงสร้างซับซ้อนเช่นชิ้นส่วนโค้ด โทโพโลยีของโมเดลตัวแทน จึงเปิดพื้นที่รูปแบบของตัวเลือก
- พารามิเตอร์เชิงตัวเลข → โครงสร้างโปรแกรม/โมเดล → กลไกอัลกอริทึม สองระดับแรกขับเคลื่อนโดยความสามารถในการสร้างของโมเดลขนาดใหญ่ ระดับที่สามนำกระบวนการ "สร้างอย่างไร ประเมินอย่างไร" เองเข้าสู่วัตถุวิวัฒนาการ เป็นเงื่อนไขที่เส้นทาง "ใช่วิวัฒนาการปรับปรุงวิวัฒนาการ" เช่น MetaDE, AutoPSO ตั้งอยู่ได้ พลังการคำนวณขยายความกว้างของการค้นหา โมเดลขนาดใหญ่ยกระดับคุณภาพตัวเลือกและความซับซ้อนของรูปแบบ
- ขาดฝ่ายใดฝ่ายหนึ่ง การขยายขอบเขตก็ไม่สมบูรณ์ ค่าใช้จ่ายการประเมินสูงขึ้น การตรวจสอบความถูกต้องยากขึ้น เกณฑ์ตัดสิน "คำตอบที่ใช้ได้" คลุมเครือขึ้น ต้องเชื่อมกับหลายวัตถุประสงค์และการตัดสินใจของผู้เชี่ยวชาญ ในการ optimize airfoil วัตถุการค้นหาเลื่อนจากพารามิเตอร์เชิงตัวเลขที่ตั้งไว้ล่วงหน้าไปสู่โค้ดการแก้ โครงสร้างโมเดลตัวแทน 乃至วิธีการสร้างและการประเมินเอง
- พร้อมกันต้องเสริมการจัดการงบประมาณการประเมิน การตรวจสอบไวยากรณ์/อินเทอร์เฟซ/ข้อจำกัด การย้อนกลับเมื่อล้มเหลว และอินเทอร์เฟซการตัดสินใจของผู้เชี่ยวชาญ มองโมเดลขนาดใหญ่เป็นเครื่องคำนวณฟิตเนสที่เร็วกว่า หรือคิดว่าพลังการคำนวณเพียงพอจะค้นหาตัวเลือกระดับโปรแกรมได้อัตโนมัติ อย่างแรกสูญเสียพื้นที่รูปแบบ อย่างหลังเพิกเฉยว่าตัวเลือกมาจากไหน

**การจัดการแบบฝึกหัด**

คำถามแบบเลือกตอบ 5 ข้อ สามารถตรวจสอบบทบาทพลังการคำนวณ ความสามารถโมเดลขนาดใหญ่ ลำดับการขยายสามระดับ ความสัมพันธ์เสริม และความสามารถ配套 ข้อ 1 ควรเลือก "การคำนวณแบบกลุ่มที่ทำเป็นเทนเซอร์"; ข้อ 2 ควรเลือก "เข้าใจโค้ด ความรู้เฉพาะโดเมนและบริบท"; ข้อ 3 ควรเลือก "พารามิเตอร์เชิงตัวเลข→โครงสร้างโปรแกรม/โมเดล→กลไกอัลกอริทึม"; ข้อ 4 ควรเลือก "เสริมกัน ขาดไม่ได้"; ข้อ 5 ควรเลือก "การควบคุมค่าใช้จ่ายการประเมิน การตรวจสอบความถูกต้อง และเกณฑ์ตัดสินคำตอบที่ใช้ได้" ถ้านักเรียนเลือกผิด เตือนให้แยก "คำนวณได้มาก" กับ "คำนวณได้ถูก" และ "รูปแบบการสร้าง" กับ "throughput การประเมิน" ไม่ใช่สิ่งเดียวกัน

**ตรวจสอบความเข้าใจ**

ให้นักเรียนตอบสองคำถามด้วยประโยคเดียว — สามารถสำรวจตัวเลือกได้เท่าไรในครั้งเดียวถูกกำหนดโดยอะไร สามารถสำรวจตัวเลือกในรูปแบบใดถูกกำหนดโดยอะไร; แล้วยกตัวอย่างการเลื่อนจาก optimize พารามิเตอร์ขึ้นไปสู่กลไกอัลกอริทึม

> **คำใบ้การเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถอธิบายการแบ่งงานเสริมระหว่างพลังการคำนวณและโมเดลได้แล้ว จึงเข้าสู่ส่วนถัดไปเกี่ยวกับกลไกที่เป็นรูปธรรมของวิวัฒนาการวิธีวิทยา

<a id="lecture-page-5"></a>

### ความขัดแย้งหลายมิติและการ权衡ในปัญหาจริง

*หน้า 5*

> **เป้าหมายหน้า:** ผู้เรียนควรเข้าใจความขัดแย้งหลายวัตถุประสงค์ในงานวิจัยจริงและความจำเป็นในการเก็บตัวเลือกที่แตกต่าง

**ประเด็นการสอน**

- จุดบนพาเรโตฟรอนต์ไม่ครอบงำกัน มีแค่ "เหมาะสมกว่าภายใต้ความ偏好บางอย่าง" เมื่อเห็นกราฟฟรอนต์ ถามก่อนว่าความ偏好และข้อจำกัดคืออะไร แล้วค่อยพูดว่าแผนใดดีหรือไม่
- ถ้าประชากรยุบตัวเข้าสู่พื้นที่แคบอย่างรวดเร็ว ตรวจสอบก่อนว่าความกดดันในการเลือกและกลไกการรักษาความหลากหลายเสียสมดุลหรือไม่ เมื่อความครอบคลุมลดลง คุณจะไม่มีตัวเลือกสำรองให้สลับเมื่อข้อจำกัดเปลี่ยน
- เมื่อการประเมินจริงมีราคาแพงและสัญญาณเบาบาง ให้จัดสรรโควตาไปที่ตัวเลือกที่มีความไม่แน่นอนสูงและอาจขยายความครอบคลุมของพื้นที่权衡 แทนที่จะขัดเกลารอบคำตอบที่ดีที่สุดปัจจุบันซ้ำๆ

> **เป้าหมายหน้า**
>
> เข้าใจความขัดแย้งหลายวัตถุประสงค์ การ权衡แบบพาเรโต และความจำเป็นในการเก็บตัวเลือกที่แตกต่างในงานวิจัยจริงและ optimize ทางวิศวกรรม
>
> ลำดับการบรรยายและประเด็น:
>
> 1. เริ่มจากความขัดแย้ง งานจริง rarely มีเป้าหมายเดียวและข้อจำกัดชัดเจน มักมีหลายเป้าหมาย牽制กัน ตัวอย่างเช่น ลดเวลา charging เร็วทำให้เกิดความร้อนและ寿命损耗 การเพิ่มแรงยกมักมาพร้อมแรงต้านที่เพิ่มขึ้น การทำ airfoil ให้บางลงปรับปรุงaerodynamics แต่ลดความแข็งแรงของโครงสร้าง ดังนั้นจึงไม่มี optimum ฟรี สิ่งที่เรียกว่า optimum ต้องระบุ "เหมาะสมที่สุดภายใต้ความ偏好ใด"
>
> 2. เข้าใจคำตอบเป็นชุดคำตอบ权衡 ชุดคำตอบของปัญหาหลายวัตถุประสงค์คือพาเรโตฟรอนต์ ทุกจุดบนฟรอนต์เป็นคำตอบที่ไม่ถูกครอบงำ เป็นตัวแทนของ取向ความ偏好ที่สมเหตุสมผล; ภายใต้เงื่อนไขไม่ทำให้เป้าหมายอื่นแย่ลง ไม่สามารถปรับปรุงเป้าหมายใดต่อไปได้ ระหว่างจุดไม่มีการจัดอันดับสัมบูรณ์ มีแค่ "เหมาะสมกว่าภายใต้ความ偏好บางอย่าง" คำตอบที่ถูกครอบงำคือมีแผนที่สามารถปรับปรุงได้ครอบคลุมทั้งหมด
>
> 3. การสำรวจสำคัญกว่าการลู่เข้า การลู่เข้าเร็วเกินไปสู่จุดเดียวจะบีบพื้นที่方案ให้เป็นจุดเดียว สูญเสียข้อมูลโครงสร้าง; เมื่อข้อจำกัด ต้นทุน หรือความเสี่ยงเปลี่ยน จะไม่มีตัวเลือกสำรองให้สลับ ต้องค้นหาใหม่ ควรรักษาความหลากหลายของประชากร ให้ทิศทางความ偏好ต่างๆ ถูกสุ่มตัวอย่างและประเมินพร้อมกัน หลีกเลี่ยงปัจเจกบุคคลทั้งหมดยุบตัวเข้าสู่พื้นที่แคบของฟรอนต์ คุณค่าของความแตกต่างอยู่ที่การตอบสนองต่อการเปลี่ยนแปลง
>
> 4. ฐานการคำนวณสนับสนุนการขยายหลายทิศทาง EvoX จัดระเบียบตัวเลือก ผลการประเมิน และสถานะอัลกอริทึมเป็นเทนเซอร์ที่คำนวณได้ทั้งหมด ทำให้การกลายพันธุ์ การประเมิน และการอัปเดตสถานะเข้าสู่กราฟการคำนวณรับการ optimize จากคอมไพเลอร์; Runtime scheduler กระจายการคำนวณแบบกลุ่มไปยัง GPU อุปกรณ์เร่งความเร็ว หรือคลัสเตอร์แบบกระจาย การประเมินแบบกลุ่ม throughput สูงทำให้การรักษาประชากรขนาดใหญ่และครอบคลุมฟรอนต์ทั้งหมดเป็นไปได้ทางวิศวกรรม
>
> 5. เมื่อการประเมินมีราคาแพงและผลตอบกลับเบาบาง กลยุทธ์การจัดสรรงบประมาณต้องเปลี่ยน การประเมินจริงมักมาจากการจำลอง แท่นทดสอบ หรือการผลิตต้นแบบ ราคาต่อครั้งสูง สัญญาณเบาบาง ควรใช้โมเดลตัวแทนแทนการประเมินความแม่นยำสูงบางส่วน จัดสรรโควต้าจำกัดไปที่ตัวเลือกที่มีความไม่แน่นอนสูงและขยายความครอบคลุมของพื้นที่权衡 แทนที่จะขัดเกลารอบคำตอบที่ดีที่สุดปัจจุบันซ้ำๆ
>
> 6. อำนาจการตัดสิน归属于ใคร อัลกอริทึมรับผิดชอบขยายพื้นที่权衡 มอบชุดตัวเลือกที่เปรียบเทียบได้; ผู้เชี่ยวชาญมนุษย์ตัดสินขั้นสุดท้ายตามความ偏好ของสถานการณ์ กฎระเบียบ ข้อจำกัดทางธุรกิจ ทั้งสองเสริมกัน ไม่สามารถแทนกันได้ ทางวิศวกรรม การส่งมอบชุดคำตอบพาเรโตพร้อมคำอธิบาย "ความ偏好—方案" เชื่อถือได้มากกว่าการส่งมอบจุดเดียวที่ดูแม่นยำ

> **线索วัสดุ**
>
> - แผนภาพพาเรโตฟรอนต์ใช้ "แรงยก ↑ / แรงต้าน ↓" เป็นพิกัด ทำเครื่องหมายฟรอนต์ที่ประกอบด้วยคำตอบที่ไม่ถูกครอบงำ คำตอบที่ถูกครอบงำ การลู่เข้าเร็วเกินไปที่ทำให้ความหลากหลายยุบตัว และการสุ่มตัวอย่างแบบขนานตามทิศทางความ偏好ต่างๆ ในการบรรยาย ให้นักเรียน判断ก่อนว่าจุดใดในภาพอาจอยู่บนฟรอนต์ แล้วอธิบายว่าผู้ตัดสินใจต้องเลือกจุดตามข้อจำกัดของสถานการณ์

**การจัดการแบบฝึกหัด**

Q1 ตัวเลือกที่ถูกต้องคือ "ฟรอนต์ประกอบด้วยชุดคำตอบ权衡ที่ไม่ครอบงำกัน แต่ละจุดสอดคล้องกับ取向ความ偏好ที่สมเหตุสมผล" ถามต่อได้: ถ้าจุดใดยังปรับปรุงได้ครอบคลุม มันก็ไม่อยู่บนฟรอนต์ Q2 ตัวเลือกที่ถูกต้องคือ "การลู่เข้าเร็วเกินไปสูญเสียข้อมูลโครงสร้างของพื้นที่方案 ไม่สามารถสลับตัวเลือกได้เร็วเมื่อข้อจำกัดหรือความ偏好เปลี่ยน" เน้นว่านี่เป็นปัญหาข้อมูล ไม่ใช่ปัญหาพลังการคำนวณล้วนๆ Q3 ตัวเลือกที่ถูกต้องคือ "ใช้งบประมาณการประเมินจำกัดครอบคลุมพื้นที่权衡ที่กว้างขึ้น และใช้โมเดลตัวแทนแทนการประเมินความแม่นยำสูงบางส่วน" Q4 ตัวเลือกที่ถูกต้องคือ "อัลกอริทึมขยายพื้นที่权衡และมอบชุดตัวเลือก ผู้เชี่ยวชาญมนุษย์ตัดสินขั้นสุดท้ายตามความ偏好และข้อจำกัด" Q5 ตัวเลือกที่ถูกต้องคือ "การเพิ่มแรงยกมักมาพร้อมแรงต้านที่เพิ่มขึ้น การทำ airfoil ให้บางลงดีต่อ aerodynamics แต่ลดความแข็งแรง ต้อง权衡"

เป้าหมายขัดแย้ง charging เร็วทำให้เกิดความร้อนและเร่งการเสื่อมอายุ; ความ偏好เปลี่ยนได้ รุ่นรถ ระบบแบตเตอรี่ กำลัง charging桩 นโยบายรับประกันต่างๆ เปลี่ยนน้ำหนักเวลา charging และอายุ; การประเมินจริงมีราคาแพงและเบาบาง การส่งมอบชุดคำตอบที่ครอบคลุมฟรอนต์สามารถใช้ซ้ำงบประมาณการประเมินได้ กระบวนการที่ปฏิบัติได้: ทำการประเมินความแม่นยำสูงจำนวนน้อยและการสอบเทียบพารามิเตอร์ก่อน สร้างกลยุทธ์พื้นฐานและตัวอย่างรบกวน; ฝึกและตรวจสอบโมเดลตัวแทน; เปิดใช้การรักษาความหลากหลายและการสุ่มตัวอย่างหลายทิศทางใน EvoX จัดสรรการประเมินเพิ่มเติมตามความครอบคลุมของฟรอนต์ไปที่พื้นที่稀疏และมีความไม่แน่นอนสูง; ส่งออกกลุ่มกลยุทธ์ตัวเลือกและตารางความ偏好—方案;
สุดท้ายวิศวกรรถและแบตเตอรี่เลือกตามระยะทาง กำลัง charging เร็ว การรับประกัน กฎความปลอดภัยและต้นทุน แล้วขัดเกลาเล็กน้อยในพื้นที่ใกล้เคียง

**ตรวจสอบความเข้าใจ**

ให้นักเรียนพูดด้วยคำพูดตัวเองว่า "ทำไมการ optimize หลายวัตถุประสงค์จึงส่งมอบชุดคำตอบไม่ใช่จุดเดียว" และยกตัวอย่างคุณค่าของชุดคำตอบนี้เมื่อความ偏好เปลี่ยน ถ้านักเรียนจำได้แค่ "เป้าหมายขัดแย้ง" เตือนให้เติม "พาเรโตฟรอนต์" "ความหลากหลายคือปริมาณข้อมูล" "งบประมาณการประเมินจัดสรรไปที่ความครอบคลุมของขอบเขต"

<a id="lecture-page-6"></a>

### แนวคิดหลักและการก้าวกระโดดของวิวัฒนาการวิธีวิทยา

*หน้า 6*

> **เป้าหมายหน้า:** ผู้เรียนควรเข้าใจความก้าวหน้าทางทฤษฎีของการนำวิธีการสร้างตัวเลือกเข้าสู่วัตถุวิวัฒนาการ

**ประเด็นการสอน**

- เกณฑ์การตัดสินวิวัฒนาการวิธีวิทยาง่ายมาก: ตัวแปรที่ optimize มีวิธีการ ตัวดำเนินการ หรือกลยุทธ์ที่สร้างตัวเลือกอยู่หรือไม่ ถ้ามีแค่คำตอบที่เปลี่ยน ยังเป็นการหาค่าที่เหมาะสมที่สุดแบบดั้งเดิม; ระดับวิธีการก็รับผลตอบกลับและอัปเดตด้วย จึงเป็นวิวัฒนาการวิธีวิทยา
- ระดับคำตอบตอบ "คำตอบนี้ดีไหม" ระดับวิธีการตอบ "จะสร้างคำตอบที่ดีกว่าได้อย่างไร" สองชั้นเชื่อมกันด้วยสัญญาณการประเมิน อย่าเข้าใจผิดว่าการอัปเดตระดับวิธีการเป็นการปรับคำตอบเดียว
- วิวัฒนาการวิธีวิทยาไม่ไล่ตาม optimum ครั้งเดียว แต่ไล่ตาม generalization ข้ามงาน ความทนทาน ความหลากหลาย และต้นทุนการคำนวณ เมื่อทบทวนใช้ "ตัวแก้ที่เก่งกว่าในการหาคำตอบ" ตรวจสอบว่าตัวเองเข้าใจจริงหรือไม่

> **เป้าหมายหน้า**
>
> นำ "วิธีการสร้างคำตอบ" เองมาเป็นวัตถุการ optimize ให้อัลกอริทึมเปลี่ยนจากเครื่องมือคงที่转变为ตัวแก้ที่วิวัฒนาการอย่างต่อเนื่อง
>
> ลำดับการบรรยายและประเด็น:
>
> 1. ระบุจุดก้าวกระโดดก่อน เส้นทางดั้งเดิมคือ "ปัญหา→อัลกอริทึมคงที่→คำตอบตัวเลือก" อัลกอริทึมถูกเลือกโดยนักวิจัยล่วงหน้า ไม่เปลี่ยนระหว่างการค้นหา วัตถุการ optimize คือคำตอบ x วิวัฒนาการวิธีวิทยาเขียนเส้นทางใหม่เป็น "กลุ่มปัญหา/สภาพแวดล้อม→พื้นที่วิธีการที่วิวัฒนาการได้→ตัวสร้างตัวเลือก→การประเมินคำตอบตัวเลือก→การอัปเดตวิธีการ→สร้างใหม่" ตัวแปรการ optimize ขยายไปถึงวิธีการ ตัวดำเนินการ กฎ hyper-heuristic หรือกระบวนการสร้างตัวเลือก m "วิธีการ" ที่นี่สามารถเจาะจงถึงกลยุทธ์การกลายพันธุ์ของ Differential Evolution น้ำหนักความเฉื่อยและโทโพโลยีของ Particle Swarm ตัวดำเนินการค้นหาเฉพาะที่ หรือขึ้นไปถึงการเลือกอัลกอริทึมและกฎการจัดตาราง
>
> วัตถุวิวัฒนาการขยายจากคำตอบ พารามิเตอร์ โครงสร้างไปถึงวิธีการ ตัวดำเนินการ กฎ hyper-heuristic หรือกระบวนการสร้างตัวเลือก; ปัญหาถูกเขียนใหม่เป็น "วิวัฒนาการตัวแก้ที่เก่งกว่าในการหาคำตอบในงานหรือสภาพแวดล้อม"; วิธีการสร้างตัวเลือกและรับการประเมินจากงาน การประเมินขับเคลื่อนการกลายพันธุ์ การเลือก และการรวมตัวของวิธีการ เกิดผลตอบกลับต่อเนื่องระหว่างระดับวิธีการกับระดับคำตอบ; เกณฑ์การประเมินเปลี่ยนจาก optimum ครั้งเดียวเป็น generalization ข้ามงาน ข้ามสภาพแวดล้อม ความทนทาน ความหลากหลาย และต้นทุนการคำนวณ; บทบาทนักวิจัยเปลี่ยนเป็นการออกแบบพื้นที่วิธีการที่วิวัฒนาการได้ สัญญาณตอบกลับ และกลไกการเลือก
>
> 3. อธิบายวงปิดผลตอบกลับเป็นพิเศษ ระดับวิธีการสร้างตัวสร้างตัวเลือก ระดับคำตอบใช้มันสร้างตัวเลือกบนงานเฉพาะและได้รับการประเมิน; การประเมินผ่านการรวมหรือการจัดสรรเครดิตกลับไปยังระดับวิธีการ ขับเคลื่อนการกลายพันธุ์ การเลือก และการรวมตัวของวิธีการเอง ถ้าผลตอบกลับ稀疏เกินไปหรือให้รางวัลแค่ optimum ระยะสั้น ระดับวิธีการง่ายต่อการ overfit กับงานเดียว; ถ้าผลตอบกลับรวม generalization ข้ามงานและความหลากหลาย จึงจะเรียนรู้ meta-strategy ที่ "เก่งกว่าในการหาคำตอบ" ได้ เข้าใจได้ว่าเป็นการเปิดชั้นการค้นหาวิวัฒนาการบนพื้นที่วิธีการอีกชั้น แต่การประเมินต้องพึ่งพาประสิทธิภาพจริงของระดับคำตอบ
>
> MetaDE ทำให้กลยุทธ์ พารามิเตอร์ 乃至การรวมตัวดำเนินการของ Differential Evolution เป็นวัตถุที่วิวัฒนาการได้; AutoPSO นำโครงสร้าง พารามิเตอร์ หรือโทโพโลยีของ Particle Swarm เข้าสู่การค้นหาอัตโนมัติ ทั้งสองใช้จุดเริ่มต้นเดียวกัน: นำวิธีการสร้างตัวเลือกเข้าสู่วัตถุการ optimize บรรลุวิวัฒนาการตัวเองของอัลกอริทึม หน้านี้สร้างแนวคิดรวมก่อน 后续จะขยายสถาปัตยกรรมเฉพาะและวิวัฒนาการโครงสร้างอัลกอริทึม
>
> ถ้าวิธีการคงที่ไม่เปลี่ยน ระบบยังเป็นการหาคำตอบภายใต้อัลกอริทึมที่กำหนด; เฉพาะเมื่อระดับวิธีการก็รับผลตอบกลับและอัปเดต จึงเข้าสู่วิวัฒนาการวิธีวิทยา ระดับคำตอบตอบ "คำตอบนี้ดีไหม" ระดับวิธีการตอบ "จะสร้างคำตอบที่ดีกว่าได้อย่างไร" สองชั้นเชื่อมกันด้วยสัญญาณการประเมิน อย่าเข้าใจผิดว่าการอัปเดตระดับวิธีการเป็นการปรับคำตอบเดียว

> **线索วัสดุ**
>
> - สามารถใช้แผนภาพโครงสร้างแนวคิดในหน้าอธิบาย — ด้านซ้ายเป็นลูกโซ่เส้นเดียวแบบดั้งเดิม ด้านขวาเป็นวงปิดวิวัฒนาการวิธีวิทยา ตรงกลางเน้นความแตกต่างด้วย "ก้าวกระโดด: วิธีการกลายเป็นวัตถุการ optimize"
> - ด้านล่างระบุ MetaDE / AutoPSO เป็นทิศทางการนำไปใช้ 线索แบบฝึกหัดและตรวจสอบความเข้าใจ: คำถามแนวคิดควรเลือกความก้าวหน้าทางทฤษฎี "นำวิธีการสร้างตัวเลือกเข้าสู่วัตถุวิวัฒนาการ" ตอบถูกแสดงว่าเข้าใจสอดคล้องกับโครงร่าง
> - ตอบผิดทบทวนแนวคิดหลักก่อนแล้วลองใหม่ เมื่อ判断คำกล่าวเช่น "อัลกอริทึมเปลี่ยนจากเครื่องมือคงที่转变为ตัวแก้ที่วิวัฒนาการอย่างต่อเนื่อง" ตัวเลือกที่สมเหตุสมผลที่สุดคือสามารถอธิบายแนวคิดของหน้านี้ด้วยหลักฐานหรือตัวอย่าง และสามารถอธิบายเกณฑ์
> - หลีกเลี่ยงการข้ามข้อมูลแล้วท่องจำ ใช้ความรู้สึกสรุป หรือเปลี่ยนทุกปัจจัยพร้อมกันเพื่อเปรียบเทียบ แพลตฟอร์ม optimize แบบผสมหลายงานนำวิวัฒนาการวิธีวิทยามาใช้ การเขียนปัญหาใหม่: จาก "หา optimum สำหรับแต่ละงานภายใต้อัลกอริทึมพันธุกรรมคงที่" เป็น "วิวัฒนาการตัวแก้ที่เก่งกว่าในการหาคำตอบในกลุ่มงานหรือสภาพแวดล้อม" พื้นที่วิธีการที่วิวัฒนาการได้อาจรวมถึงประเภทและความเข้มของตัวดำเนินการผสมข้ามและกลายพันธุ์ กลยุทธ์การเลือก ตัวดำเนินการค้นหาเฉพาะที่ กฎ hyper-heuristic กลยุทธ์ควบคุมพารามิเตอร์ กระบวนการสร้างตัวเลือก และการรวมกลยุทธ์แบบ MetaDE โครงสร้างโทโพโลยีและพารามิเตอร์แบบ AutoPSO วงปิดผลตอบกลับ: ระดับวิธีการสุ่มตัวอย่างหรือกลายพันธุ์ชุดวิธีการหรือการตั้งค่าตัวดำเนินการ ระดับคำตอบสร้างตัวเลือกบนหลายงานและคำนวณฟิตเนส
> - ประสิทธิภาพข้ามงานถูกรวมเป็นสัญญาณตอบกลับ กลับไปยังระดับวิธีการเพื่อเลือก กลายพันธุ์ และรวมตัว อัปเดตการกระจายวิธีการ แล้วเข้าสู่รอบสร้างถัดไป การเปลี่ยนเกณฑ์การประเมิน: ไม่ดูแค่ optimum ครั้งเดียวของงานเดียว แต่ดู generalization ข้ามงาน ความทนทาน ความหลากหลาย ต้นทุนการคำนวณและความเสถียร ความเสี่ยงหลัก: ชั้น meta overfit กับงานจำนวนน้อยหรือรางวัลระยะสั้น ทำให้ความหลากหลายของพื้นที่วิธีการยุบตัว
> - วิธีรับมือรวมถึงการสุ่มตัวอย่างงาน การ regularization การรักษาความหลากหลายและการตรวจสอบแบบแบ่งชั้น

**กิจกรรมในชั้นเรียน**

ให้นักเรียนทวนด้วยคำพูดตัวเองถึงลูกโซ่ "กลุ่มปัญหา/สภาพแวดล้อม→พื้นที่วิธีการที่วิวัฒนาการได้→ตัวสร้างตัวเลือก→การประเมินคำตอบตัวเลือก→การอัปเดตวิธีการ→สร้างใหม่" และยกตัวอย่างแยกระดับวิธีการกับระดับคำตอบ สุ่มนักเรียนหนึ่งคนสรุปประเด็นสำคัญของหน้านี้ ครูเติมคำสำคัญที่ขาด

> **คำใบ้การเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถอธิบายเกณฑ์การตัดสิน — ตัวแปรที่ optimize มีวิธีการ ตัวดำเนินการ หรือกลยุทธ์ที่สร้างตัวเลือกอยู่หรือไม่ และระดับวิธีการรับผลตอบกลับและอัปเดตหรือไม่ — จึงเข้าสู่หน้าถัดไปเกี่ยวกับสถาปัตยกรรม การประยุกต์ หรือสรุป

**คำสำคัญที่ครอบคลุม**

- วิวัฒนาการวิธีวิทยา, Meta-Evolution, พื้นที่วิธีการที่วิวัฒนาการได้, ตัวสร้างตัวเลือก, ระดับวิธีการและระดับคำตอบ, วงปิดผลตอบกลับ, MetaDE, AutoPSO, generalization ข้ามงาน, ความทนทาน, ความหลากหลาย, ต้นทุนการคำนวณ

<a id="lecture-page-7"></a>

### การวิวัฒนาการสองชั้นภายใน-ภายนอกและกลไกการปรับตัว

*หน้า 7*

> **เป้าหมายหน้า:** ผู้เรียนควรเชี่ยวชาญกลไกความร่วมมือสองชั้นระหว่างการแก้ปัญหาภายในและการ optimize กลยุทธ์ภายนอก

**ประเด็นการสอน**

- เมื่อทบทวนถามก่อน: ใครแก้ปัญหา? ใครเปลี่ยนวิธีการ? ชั้นในส่งออกคำตอบและประสิทธิภาพ ชั้นนอกจากส่งออกการตั้งค่าและกลยุทธ์ แล้วเชื่อม "ประสิทธิภาพชั้นใน → ฟิตเนสชั้นนอก → การอัปเดตการตั้งค่าชั้นใน" เป็นวงปิด
- ฟิตเนสชั้นนอกประเมินประสิทธิภาพของการตั้งค่าชั้นในชุดหนึ่งบนงานแบบกลุ่ม ไม่ใช่ค่าเป้าหมายที่เหมาะสมที่สุดของงานเดียว การเข้าใจจุดนี้หลีกเลี่ยงการเข้าใจผิดว่าชั้นนอกเป็นตัวแก้โดยตรงอีกตัว
- ถ้าความแปรปรวนของการประเมินชั้นในสูงมาก ชั้นนอกอาจเข้าใจผิดว่าการตั้งค่าที่บังเอิญทำได้ดีเป็นสิ่งที่เหนือกว่าจริงๆ เมื่อทบทวนคิดถึงค่าเฉลี่ยประสิทธิภาพ สถิติที่ทนทาน และการเพิ่มตัวอย่างการประเมินช่วยให้ชั้นนอกตัดสินใจได้เสถียรอย่างไร

เป้าหมายหน้า

หน้านี้围绕การวิวัฒนาการสองชั้นภายใน-ภายนอกและกลไกการปรับตัว ต้องการให้ผู้เรียนเข้าใจว่าวิวัฒนาการวิธีวิทยาไม่ได้แค่ optimize คำตอบ แต่เพิ่มชั้นควบคุม meta ที่วิวัฒนาการได้บนชั้นการแก้ปัญหางาน ทำให้ระบบสามารถปรับวิธีการแก้ปัญหาอัตโนมัติตามการเปลี่ยนแปลงของงานและสภาพแวดล้อม เมื่อเรียนจบควรอธิบายการแบ่งหน้าที่ของชั้นในและชั้นนอก วิธีสร้างวงปิดผลตอบกลับ และบทบาทของ GPU แบบขนานได้

ลำดับการบรรยาย

ใครแก้ปัญหา? ใครเปลี่ยนวิธีการ? จากนั้นนำไปสู่ชั้นในส่งออกคำตอบและประสิทธิภาพ ชั้นนอกจากส่งออกการตั้งค่าและกลยุทธ์ แล้วเชื่อม "ประสิทธิภาพชั้นใน → ฟิตเนสชั้นนอก → การอัปเดตการตั้งค่าชั้นใน" เป็นวงปิด ช่วยนักเรียนเข้าใจโครงสร้างสองชั้นโดยรวม

ประเด็นการสอน

1. ชั้นในคือชั้นการแก้ปัญหางาน รับผิดชอบแก้ปัญหาจริง รันงานเฉพาะจำนวนมากแบบขนาน ส่งออกคำตอบตัวเลือก ค่าเป้าหมาย f และประสิทธิภาพการรัน เช่น ทรัพยากรและเวลาที่ใช้ ขั้นตอนการลู่เข้า อัตราความสำเร็จ จุดยึดความจำคือ "ทำโจทย์ให้เสร็จ"

2. ชั้นนอกคือชั้นวิวัฒนาการวิธีการ ไม่ได้แก้ปัญหาต้นฉบับโดยตรง แต่วิวัฒนาการการตั้งค่า กลยุทธ์ และพารามิเตอร์ของอัลกอริทึมชั้นใน รวมถึงการประเมิน การเลือก การกลายพันธุ์ การอัปเดต จุดยึดความจำคือ "ทำให้วิธีการทำโจทย์ดีขึ้น"

3. วงปิดผลตอบกลับเป็นกุญแจของโครงสร้างสองชั้น ประสิทธิภาพของงานแบบกลุ่มชั้นในถูกรวมเป็นสัญญาณฟิตเนสชั้นนอก ใช้สำหรับเลือก กลายพันธุ์ และอัปเดตการตั้งค่าชั้นในที่ดีกว่า; การตั้งค่าที่อัปเดตแล้วกลับไปยังชั้นใน เกิดวงปิด

4. กลไกการปรับตัวแสดงออกเป็นการที่ชั้นนอกปรับกลยุทธ์ชั้นในอย่างต่อเนื่องตามการเปลี่ยนแปลงของงานและสภาพแวดล้อม ไม่ใช่การเชื่อมต่ออัลกอริทึมสองตัวแบบง่ายๆ แต่เพิ่มชั้นควบคุม meta ที่วิวัฒนาการได้บนชั้นการแก้ปัญหางาน ทำให้ระบบเปลี่ยนจากการตั้งค่าอัลกอริทึมโดยมนุษย์เป็นการที่อัลกอริทึมปรับตัวตามงานอัตโนมัติ

ชั้นในส่งออก "คำตอบ" ชั้นนอกจากส่งออก "วิธีการที่ดีกว่าในการสร้างคำตอบ" ฟิตเนสชั้นนอกไม่ใช่ค่า optimum ของงานต้นฉบับเอง แต่เป็นการประเมินประสิทธิภาพของการตั้งค่าชั้นในชุดหนึ่งบนงานแบบกลุ่ม

GPU สามารถรันงานชั้นในจำนวนมากแบบขนาน ให้ผลตอบกลับทางสถิติที่เพียงพอสำหรับวิวัฒนาการชั้นนอก และลดต้นทุนการรอค้นหา ต้องเน้นว่าการขนานยกระดับการสนับสนุนทางสถิติและประสิทธิภาพ ไม่ได้ยกเลิกการประเมิน และไม่รับประกัน optimum ทั่วโลก

DE ชั้นในรับผิดชอบงาน optimize เฉพาะ ชั้นนอกเลือกและปรับการตั้งค่าและกลยุทธ์ของ DE ตามประสิทธิภาพการรันชั้นใน เช่น กลยุทธ์การกลายพันธุ์ อัตราการผสมข้าม ขนาดประชากร; ผลงานชั้นในจำนวนมากส่งกลับเพื่อชี้นำการเลือกการตั้งค่าชั้นนอก เกิดวงปิดสองชั้น "ใช่วิวัฒนาการปรับปรุงวิวัฒนาการ"

线索วัสดุ

ด้านซ้ายเป็นชั้นการแก้ปัญหางานชั้นใน ด้านขวาเป็นชั้นวิวัฒนาการวิธีการชั้นนอก ด้านซ้ายส่งออกคำตอบตัวเลือก ค่าเป้าหมายและประสิทธิภาพการรัน ผ่าน "ข้อมูลประสิทธิภาพ → สัญญาณฟิตเนส" เข้าสู่ด้านขวา; ด้านขวาผ่านการประเมิน การเลือก การกลายพันธุ์ การอัปเดต แล้วผ่าน "อัปเดตการตั้งค่าและกลยุทธ์ชั้นใน" กลับไปยังด้านซ้าย ด้านล่างระบุ GPU แบบขนาน ใช้สำหรับรันงานชั้นในแบบกลุ่ม

ตรวจสอบความเข้าใจ

ประสิทธิภาพชั้นในส่งผลต่อชั้นนอกอย่างไร? ถ้านักเรียนพูดแค่ "รันงานแบบขนาน" เตือนให้เติม "ถูกรวมเป็นสัญญาณฟิตเนส แล้วขับเคลื่อนการเลือก การกลายพันธุ์ และการอัปเดต"

การจัดการแบบฝึกหัด

แบบฝึกหัดหน้านี้围绕การแบ่งหน้าที่ วงปิดผลตอบกลับ บทบาทการขนาน และ "ใช่วิวัฒนาการปรับปรุงวิวัฒนาการ"

หน้าที่หลักของชั้นในคือแก้ปัญหาจริง สร้างคำตอบตัวเลือก ค่าเป้าหมายและข้อมูลประสิทธิภาพการรัน เน้นว่าชั้นในผลิตคำตอบและประสิทธิภาพก่อน ชั้นนอกจากวิวัฒนาการการตั้งค่าและกลยุทธ์

ชั้นนอกไม่แก้ปัญหาต้นฉบับโดยตรง เพราะหน้าที่คือวิวัฒนาการการตั้งค่า กลยุทธ์ และพารามิเตอร์ของอัลกอริทึมชั้นใน เป็นการควบคุมระดับ meta จับ "วิธีการวิวัฒนาการอย่างไร" ไม่ใช่ "คำตอบคืออะไร"

ผลการประเมินชั้นในถูกรวมเป็นสัญญาณฟิตเนสชั้นนอก ใช้สำหรับเลือก กลายพันธุ์ และอัปเดตการตั้งค่าชั้นใน กุญแจของโครงสร้างสองชั้นคือวงปิดผลตอบกลับ ไม่ใช่การขนานแบบเปิดวง

บทบาทที่สำคัญที่สุดของ GPU ในการรันงานชั้นในจำนวนมากแบบขนานคือให้ผลตอบกลับทางสถิติที่เพียงพอและลดต้นทุนการรอค้นหา การขนานยกระดับการสนับสนุนทางสถิติและประสิทธิภาพ ไม่เท่ากับยกเลิกการประเมินหรือรับประกัน optimum ทั่วโลก

"ใช่วิวัฒนาการปรับปรุงวิวัฒนาการ" หมายถึงชั้นนอกวิวัฒนาการการตั้งค่าและกลยุทธ์ของอัลกอริทึมชั้นใน ประสิทธิภาพชั้นในส่งกลับเลี้ยงฟิตเนสชั้นนอก เกิดวงปิดสองทิศทาง

เมื่อตอบถูกยืนยันว่านักเรียนเชื่อมโยงแนวคิดของหน้านี้และอธิบายเกณฑ์ได้; เมื่อผิดนำกลับไปที่การแบ่งหน้าที่และวงปิดผลตอบกลับสองจุด判断

การจัดการกรณีศึกษา

DE แก้บน实例การจัดตารางเฉพาะ สร้างคำตอบตัวเลือก ค่าเป้าหมาย ขั้นตอนการลู่เข้าและอื่นๆ หน้าที่ชั้นนอก: ไม่ได้จัดตารางโดยตรง แต่วิวัฒนาการการตั้งค่าและกลยุทธ์ของ DE เช่น กลยุทธ์การกลายพันธุ์ อัตราการผสมข้าม ขนาดประชากร วงปิดผลตอบกลับ: ประสิทธิภาพงานแบบกลุ่มชั้นในถูกรวมเป็นสัญญาณฟิตเนสชั้นนอก ชั้นนอกเลือก กลายพันธุ์ และอัปเดตการตั้งค่าชั้นในที่ดีกว่าตามสิ่งนี้; การตั้งค่าที่อัปเดตแล้วกลับไปยังชั้นใน

ถ้าความแปรปรวนของการประเมินชั้นในสูงมาก ฟิตเนสชั้นนอกสามารถใช้ค่าเฉลี่ยประสิทธิภาพจากการทำซ้ำหลายครั้งหรืองานแบบกลุ่ม ค่ามัธยฐาน สถิติที่ทนทาน หรือขอบเขตล่างความเชื่อมั่นแบบมีบทลงโทษ ลดการเลือกผิดที่เกิดจากความแปรปรวนสูง; เมื่อจำเป็นเพิ่มจำนวนตัวอย่างการประเมินต่อการตั้งค่า GPU แบบขนานรันงานชั้นในจำนวนมากแบบกลุ่ม ขยายขนาดตัวอย่างและลดเวลารอ ทำให้การประมาณฟิตเนสชั้นนอกเสถียรขึ้น

คำใบ้การเปลี่ยนผ่าน

หลังจากยืนยันว่านักเรียนสามารถพูด "ชั้นในส่งออกคำตอบและประสิทธิภาพ ชั้นนอกจากส่งออกการตั้งค่าและกลยุทธ์ ประสิทธิภาพชั้นในส่งกลับเลี้ยงฟิตเนสชั้นนอก" ได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับการประยุกต์ ตัวอย่าง หรือสรุป

<a id="lecture-page-8"></a>

### การนำวิวัฒนาการวิธีวิทยาไปใช้ที่เป็นแบบฉบับ: สถาปัตยกรรม MetaDE

*หน้า 8*

> **เป้าหมายหน้า:** ผู้เรียนควรเข้าใจว่า MetaDE มอบกลยุทธ์การกลายพันธุ์และพารามิเตอร์ของ Differential Evolution ให้การ optimize ชั้นนอกอย่างไร

**ประเด็นการสอน**

- ชั้นนอกราค้นหาการตั้งค่าอัลกอริทึม ชั้นในราค้นหาคำตอบปัญหา เห็น "กลยุทธ์ วิธีการผสมข้าม F CR ถูก optimize" คือชั้นนอก; เห็น "คำตอบนี้ดีไหม" คือชั้นใน ในการ判断คำบรรยายใดเป็นของชั้นใด ถามก่อนว่ามัน optimize การตั้งค่าหรือคำตอบ
- การรันครั้งเดียวของชั้นในมีความสุ่ม ใช้มันเปรียบเทียบสองการตั้งค่าโดยตรงง่ายต่อการได้ข้อสรุปที่บังเอิญ ก่อนเปรียบเทียบให้การตั้งค่ารันอิสระหลายครั้งแล้วหาค่าเฉลี่ย (หรือค่ามัธยฐาน) แล้วค่อยให้ชั้นนอกเลือก มิฉะนั้นสิ่งที่ชั้นนอกเลือกคือสัญญาณรบกวนสุ่ม
- ค่าใช้จ่ายการประเมินประมาณเท่ากับ จำนวนปัจเจกบุคคลชั้นนอก × จำนวนรุ่น × จำนวนการทำซ้ำชั้นใน คำนวณบัญชีนี้ให้ชัดก่อน แล้วค่อยตัดสินการลงทุนในการขนาน การทำเทนเซอร์ และการจัดตาราง runtime; มิฉะนั้นชั้นนอกยังไม่ลู่เข้า งบเวลาและพลังการคำนวณก็หมดแล้ว

【เป้าหมายหน้า】เข้าใจว่า MetaDE มอบกลยุทธ์การกลายพันธุ์และพารามิเตอร์สำคัญของ Differential Evolution ให้การ optimize วิวัฒนาการชั้นนอกอย่างไร จึงเปลี่ยน "วิธีการวิวัฒนาการ" จากการตั้งค่าโดยมนุษย์เป็นการค้นหาแบบปรับตัว

【ลำดับการบรรยาย】ระบุโครงสร้างสองชั้นก่อน (ชั้นนอกราค้นหาอัลกอริทึม ชั้นในแก้ปัญหา) แล้วอธิบายวัตถุวิวัฒนาการชั้นนอกและวงปิดการตรวจสอบ ต่อมาเปรียบเทียบกับ DE คงที่และอธิบายราคาและเงื่อนไข สุดท้ายให้ตัวอย่างน้อยที่สุดและตำแหน่ง

【ประเด็นการสอน】

ชั้นวิวัฒนาการชั้นนอกใช้การตั้งค่าอัลกอริทึม DE หนึ่งชุดเป็นปัจเจกบุคคล ดำเนินการเลือก ผสมข้าม กลายพันธุ์ และคัดออกบนพื้นที่การตั้งค่า; ชั้นงานชั้นในคือกระบวนการแก้ปัญหาปกติของ Differential Evolution บนงาน optimize ต้นฉบับ วัตถุการ optimize ชั้นนอกคือการตั้งค่าอัลกอริทึม (ตัดสิน "ค้นหาอย่างไร") วัตถุการ optimize ชั้นในคือคำตอบปัญหา (ตัดสิน "ค้นหาได้ดีแค่ไหน") สามารถใช้แผนภาพอธิบาย: ชั้นนอกรวมกลยุทธ์ rand/1, best/1, current-to-best/1, วิธีการผสมข้าม, F, CR ฯลฯ; การตั้งค่าตัวเลือกถูกส่งลง ประสิทธิภาพจริงถูกส่งกลับ

ปัจเจกบุคคลชั้นนอกหนึ่งตัวเข้ารหัสพฤติกรรมอัลกอริทึมทั้งชุด รวมถึงกลยุทธ์การกลายพันธุ์ วิธีการผสมข้าม ปัจจัยการขยาย F ความน่าจะเป็นผสมข้าม CR ขนาดประชากร ฯลฯ ความแตกต่างระหว่างปัจเจกบุคคลสอดคล้องกับแนวโน้มพฤติกรรมของอัลกอริทึมตระกูลเดียวกันภายใต้ลักษณะปัญหาที่แตกต่าง

การตั้งค่าตัวเลือกแต่ละชุดต้องถูกส่งเข้าสู่งานต้นฉบับรันจริง รับการตรวจสอบจากประสิทธิภาพจริง; ชั้นนอกเลือก คัดออก และเก็บตามฟิตเนสที่ชั้นในส่งกลับ เกิดวงปิดวนซ้ำ "สร้างการตั้งค่า→ตรวจสอบงาน→ผลตอบกลับเลือก" ฟิตเนสชั้นนอกได้มาจากผลการรันจริงของชั้นในเท่านั้น ไม่สามารถตัดสินจาก meta-metric หรือ prior เพียงอย่างเดียว

กลยุทธ์และพารามิเตอร์ของ DE ดั้งเดิมถูกตั้งค่าโดยนักวิจัยล่วงหน้าและตรึงไว้ตลอด; MetaDE มอบอำนาจตัดสินนี้ให้วิวัฒนาการชั้นนอก ทำให้อัลกอริทึมมีความสามารถปรับตัวตามลักษณะปัญหา — ตัวอย่างเช่น ในช่วงต้นของการค้นหา偏好 rand/1 ที่สำรวจมากกว่าและ F ใหญ่ ในช่วงหลังเปลี่ยนเป็น best/1 ที่ลู่เข้าเร็วกว่าและ F เล็ก

การตั้งค่าตัวเลือกแต่ละชุดต้องรันงานชั้นในเต็มรูปแบบหนึ่งครั้ง (มักต้องรันอิสระหลายครั้งหาค่าเฉลี่ยเพื่อ抑制ความสุ่ม) ค่าใช้จ่ายการประเมินขยายเป็นทวีคูณตามขนาดประชากรและจำนวนรุ่นชั้นนอก งบประมาณการประเมินประมาณเท่ากับ จำนวนปัจเจกบุคคลชั้นนอก × จำนวนรุ่น × จำนวนการทำซ้ำชั้นใน ดังนั้น MetaDE จึงพึ่งพาฐานวิศวกรรมเช่นการขนาน การทำเทนเซอร์ และการจัดตาราง runtime อย่างมาก

ปัจเจกบุคคลหนึ่งตัวในประชากรชั้นนอกเข้ารหัสเป็น "rand/1 + การผสมข้ามแบบทวินาม + F=0.5, CR=0.9" การตั้งค่านี้ถูกส่งเข้าไปรันงานชั้นในหลายครั้งอิสระ หาค่าเฉลี่ยฟิตเนสเป็นฟิตเนสของปัจเจกบุคคลชั้นนอก; ชั้นนอกเลือก กลายพันธุ์ และเก็บการตั้งค่าที่ดีกว่าตามสิ่งนี้ เกิดวงปิดวนซ้ำ "สร้างการตั้งค่า—ตรวจสอบงาน—ผลตอบกลับเลือก" ขั้นตอนนี้คือรูปแบบที่รันได้น้อยที่สุดของ "ใช้อัลกอริทึมวิวัฒนาการปรับปรุงอัลกอริทึมวิวัฒนาการ"

MetaDE คือการลงมือที่เป็นรูปธรรมของ "การวิวัฒนาการสองชั้นภายใน-ภายนอกและกลไกการปรับตัว" จากแนวคิดสู่สถาปัตยกรรมที่ทำได้ และมอบ范式วิธีการสำหรับวิวัฒนาการโครงสร้างอัลกอริทึมต่อไป (AutoPSO, EvoGO)

การตั้งค่าอัลกอริทึมของ Differential Evolution รวมถึงกลยุทธ์การกลายพันธุ์ วิธีการผสมข้ามและพารามิเตอร์ควบคุม), เหตุผลที่ต้องรันจริง (คำตอบ: เฉพาะผลการรันจริงเท่านั้นที่เป็นพื้นฐานฟิตเนสที่เชื่อถือได้สำหรับการเลือกชั้นนอก การ判断จาก prior ง่ายต่อการไม่สอดคล้องกับประสิทธิภาพจริง), การเปลี่ยนแปลงสำคัญจาก DE คงที่ (คำตอบ: กลยุทธ์และพารามิเตอร์ควบคุมไม่ถูกตรึงตลอด แต่ถูกกำหนดแบบพลวัตโดยวิวัฒนาการชั้นนอก), แหล่งค่าใช้จ่ายการคำนวณหลัก (คำตอบ: การตั้งค่าตัวเลือกแต่ละชุดต้องรันงานชั้นในเต็มรูปแบบหนึ่งครั้ง ค่าใช้จ่ายการประเมินขยายเป็นทวีคูณตามขนาดชั้นนอกและจำนวนรุ่น), ความสัมพันธ์กับงาน后续 (คำตอบ: MetaDE มอบ范式การลงมือ "ใช้อัลกอริทึมวิวัฒนาการปรับปรุงอัลกอริทึมวิวัฒนาการ" เป็นข้อมูลอ้างอิงวิธีการสำหรับวิวัฒนาการโครงสร้างอัลกอริทึม后续)

ถ้าเลือกผิด กลับไปที่การแบ่ง "ชั้นนอกราค้นหาการตั้งค่า ชั้นในแก้ปัญหา" และนิยามของ "วงปิดการตรวจสอบ" สองคำถามของข้อกรณีศึกษา: ประเด็นคำถามแรกคือ meta-metric หรือประสบการณ์ prior ไม่มีการรับประกันความสอดคล้องที่เชื่อถือได้กับประสิทธิภาพงานจริง ต้องใช้ผลตอบกลับจริงของชั้นในเป็นพื้นฐานการเลือก มิฉะนั้นจะเก็บการตั้งค่าที่ดูสมเหตุสมผลแต่ประสิทธิภาพจริงแย่ ทิศทางวิวัฒนาการถูกเบี่ยงเบนอย่างเป็นระบบ;
ประเด็นคำถามที่สองคือประเมินงบประมาณจำนวนการประเมินรวมก่อน (ขนาดประชากรชั้นนอก×จำนวนรุ่น×จำนวนการทำซ้ำชั้นใน) ย่อขนาดประชากรชั้นนอกหรือจำนวนรุ่นอย่างเหมาะสม ให้ความสำคัญกับการรับประกันจำนวนการทำซ้ำชั้นในไม่ต่ำกว่าระดับที่ประมาณค่าเฉลี่ยได้เสถียร (เช่น 5 ถึง 10 ครั้ง) พร้อมเพิ่มระดับการขนาน เมื่อจำเป็นใช้ early stopping หรือโมเดลตัวแทนคัดกรองล่วงหน้า แต่ตัวเลือกใดที่เข้าสู่การเปรียบเทียบขั้นสุดท้าย ตัดสินการเก็บหรือทิ้ง ยังต้องผ่านการตรวจสอบจริงของงานต้นฉบับ ภาษาผลตอบกลับ可以参考: เมื่อถูกยืนยันว่าเชื่อมโยงแนวคิดของหน้านี้และอธิบายเกณฑ์ได้; เมื่อผิดเตือนให้กลับไปที่การบรรยายของหน้านี้ หาหลักฐานหรือตัวอย่างสำคัญแล้วค่อย判断

【ตรวจสอบความเข้าใจ】สุ่มนักเรียนหนึ่งคนสรุปด้วยคำพูดตัวเองถึงโครงสร้างสองชั้นและวงปิดการตรวจสอบของ MetaDE ผู้สอนเติมคำสำคัญที่ขาดตามคำตอบ เช่น "ชั้นนอกรา optimize การตั้งค่าอัลกอริทึม" "ชั้นในรา optimize คำตอบปัญหา" "การตั้งค่าตัวเลือกต้องรันจริงหนึ่งครั้ง" "ฟิตเนสได้มาจากผลการรันจริงเท่านั้น"

【คำใบ้การเปลี่ยนผ่าน】หลังจากยืนยันว่านักเรียนสามารถพูด "ชั้นนอกราค้นหาการตั้งค่าอัลกอริทึม ชั้นในราค้นหาคำตอบปัญหา" และวงปิด "สร้างการตั้งค่า→ตรวจสอบงาน→ผลตอบกลับเลือก" ได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่าง การประยุกต์ หรือสรุป

<a id="lecture-page-9"></a>

### วิวัฒนาการโครงสร้างอัลกอริทึม: AutoPSO และ EvoGO

*หน้า 9*

> **เป้าหมายหน้า:** ผู้เรียนควรเข้าใจวิธีก้าวกระโดดจาก optimize พารามิเตอร์สู่วิวัฒนาการโครงสร้างอัลกอริทึม

**ประเด็นการสอน**

- เมื่อเจอวิธีการใหม่ ระบุพื้นที่การค้นหาชั้นนอกก่อน: ค้นหาการตั้งค่าเชิงตัวเลขคือปรับพารามิเตอร์; ค้นหาการรวมตัวขององค์ประกอบและวิธีการสร้างตัวเลือกคือเปลี่ยนโครงสร้าง ลำดับการถามนี้ทำให้判断ระดับของวิธีการได้ในประโยคเดียว
- ขยายช่วงการค้นหาของปัจจัยการเรียนรู้หรือขนาดประชากรให้กว้างขึ้น โครงสร้างยังคงตรึง รูปแบบพฤติกรรมไม่เปลี่ยน โดย本质ยังเป็นระดับพารามิเตอร์ เกณฑ์การตัดสินคือ "การรวมตัวขององค์ประกอบเปลี่ยนได้หรือไม่" ไม่ใช่ "ช่วงค่ากว้างขึ้นหรือไม่"
- พื้นที่การค้นหาของวิวัฒนาการระดับโครงสร้างใหญ่กว่า การประเมินแต่ละครั้งแพงกว่า ดังนั้นการเลือกชั้นนอกต้องอาศัยตัวอย่างเปรียบเทียบ "โครงสร้าง—ประสิทธิภาพ" ที่หนาแน่นเพียงพอ ก่อนลงมือถามตัวเองก่อน: มีความสามารถแบบขนานเป็นกลุ่มที่ทำให้งานชั้นในจำนวนมากถูกประเมินพร้อมกันได้หรือไม่? ถ้าไม่มี วิวัฒนาการโครงสร้างง่ายต่อการถูกสัญญาณรบกวนการรัน淹没

> **เป้าหมายหน้า**
>
> หน้านี้聚焦 "วิวัฒนาการโครงสร้างอัลกอริทึม" ผู้เรียนควรเข้าใจวิธีก้าวกระโดดจาก optimize พารามิเตอร์สู่วิวัฒนาการโครงสร้างอัลกอริทึม และสามารถใช้ "ระดับของพื้นที่การค้นหาชั้นนอก" เป็นเกณฑ์ แยกการปรับพารามิเตอร์กับการเปลี่ยนโครงสร้าง
>
> ลำดับการบรรยายและประเด็น:
>
> 1. เปรียบเทียบ MetaDE กับ AutoPSO / EvoGO ก่อน พื้นที่การค้นหาชั้นนอกของ MetaDE คือการตั้งค่าและกลยุทธ์ของอัลกอริทึมชั้นใน (ปัจจัยการเรียนรู้ ความน่าจะเป็นกลายพันธุ์ ความกดดันการเลือก ฯลฯ) เป็นระดับพารามิเตอร์: โครงสร้างตรึง แค่ปรับตัวเลข สิ่งที่เปลี่ยนคือความเข้มของพฤติกรรม พื้นที่การค้นหาชั้นนอกของ AutoPSO / EvoGO คือโครงสร้างอัลกอริทึมเอง: องค์ประกอบใดเข้าร่วมการรวม กระบวนการสร้างตัวเลือกเป็นอย่างไร สถานะอัปเดตอย่างไร ระดับโครงสร้างสิ่งที่เปลี่ยนได้คือองค์ประกอบและวิธีการเชื่อมต่อ สิ่งที่เปลี่ยนคือรูปแบบพฤติกรรม กุญแจการ判断ไม่ใช่ชื่อวิธีการ แต่ว่าชั้นนอกจากค้นหาอะไร
>
> สูตรอัปเดตความเร็ว—ตำแหน่งของ PSO คลาสสิกถูกเขียนตายตัว AutoPSO 拆它为กลุ่มองค์ประกอบที่รวมได้ รวมถึงพจน์ความเร็ว โทโพโลยีเพื่อนบ้าน พจน์รบกวน กลยุทธ์รีสตาร์ท ฯลฯ; แล้วให้วิวัฒนาการชั้นนอกเลือกและประกอบเป็นตัวสร้างตัวเลือกใหม่ ดังนั้น "โครงสร้างการอัปเดต" เองกลายเป็นตัวแปรที่ค้นหาได้ เน้น: การปรับปัจจัยการเรียนรู้แค่เปลี่ยนความเข้มของพฤติกรรม การเปลี่ยนการรวมตัวขององค์ประกอบจึงเปลี่ยนรูปแบบพฤติกรรม
>
> เน้นการนำผลตอบกลับทางประวัติศาสตร์เข้าสู่เส้นทางวิวัฒนาการโครงสร้าง วิถีการค้นหาและบันทึกประสิทธิภาพในอดีตไม่เพียงใช้ "เลือกคำตอบ" แต่ใช้ตัดสิน "โครงสร้างควรเปลี่ยนไปทางไหนในขั้นต่อไป" ผลตอบกลับเปลี่ยนจากตัวกรองผลลัพธ์เป็นพวงมาลัยทิศทางของการอัปเดตโครงสร้าง — สิ่งที่มันเปลี่ยนคือทิศทางของตัวเลือกโครงสร้างรอบถัดไป ไม่ใช่การเลือกผลลัพธ์จากกลุ่มตัวเลือกที่เสร็จแล้ว
>
> ทั้งสองใช้โครงกระดูกเดียวกัน — อัลกอริทึมชั้นในรันบนงานจริง ชั้นนอกวิวัฒนาการโครงสร้างตามประสิทธิภาพชั้นใน เงื่อนไขสำคัญคือความหนาแน่นของตัวอย่าง: GPU รันงานชั้นในจำนวนมากแบบขนาน ทำให้ตัวอย่างเปรียบเทียบ "โครงสร้าง—ประสิทธิภาพ" หนาแน่นเพียงพอ การเลือกชั้นนอกจึงมีความหมายทางสถิติ ไม่ถูกสัญญาณรบกวนจากการรันครั้งเดียวกระทบ ความหมายทางวิศวกรรม: อัลกอริทึมเปลี่ยนจาก "การเลือก prior ครั้งเดียว" เป็น "วัตถุที่สามารถถูกปรับปรุงได้อย่างต่อเนื่อง"; ราคาคือพื้นที่การค้นหาระดับโครงสร้างใหญ่กว่า ค่าใช้จ่ายการประเมินสูงกว่า จึงพึ่งพาฐานการขนานแบบทำเทนเซอร์ นี่ก็เป็นแรงจูงใจโดยตรงของหัวข้อ GPU แบบขนานในส่วนถัดไป

> **线索วัสดุ**
>
> - ด้านซ้ายกลุ่มองค์ประกอบ (ตัวดำเนินการที่รวมได้) กลางการประกอบโครงสร้าง (การเลือกโครงสร้างที่ขับเคลื่อนด้วยผลตอบกลับทางประวัติศาสตร์) ขวาตัวสร้างตัวเลือก (ถูก instantiate โดยโครงสร้างชั้นนอก)
> - ล่างการประเมินงานชั้นในและการรันแบบกลุ่มขนานบน GPU และผ่านลูกศรผลตอบกลับส่งประสิทธิภาพชั้นในกลับไปยังชั้นนอก ในการบรรยายเดินตามลำดับ "รวม—instantiate—ประเมิน—ผลตอบกลับ"

**การจัดการแบบฝึกหัด**

หน้านี้มีคำถามแบบเลือกตอบ 5 ข้อ ข้อ 1 ตัวเลือกที่ถูกต้องคือ "พื้นที่การค้นหาชั้นนอกคือการตั้งค่าและกลยุทธ์ของอัลกอริทึมชั้นใน หรือโครงสร้างอัลกอริทึมเอง"; ประเด็นผลตอบกลับ: ค้นหาตัวเลข=ปรับพารามิเตอร์ ค้นหาการรวมตัวขององค์ประกอบและวิธีการสร้างตัวเลือก=เปลี่ยนโครงสร้าง ข้อ 2 ตัวเลือกที่ถูกต้องคือ "拆 Particle Swarm Optimization เป็นกลุ่มองค์ประกอบที่รวมได้ ให้วิวัฒนาการชั้นนอกเลือกและประกอบเป็นตัวสร้างตัวเลือกใหม่" ข้อ 3 ตัวเลือกที่ถูกต้องคือ "จากใช้แค่ 'เลือกคำตอบ' เปลี่ยนเป็นใช้ตัดสิน 'โครงสร้างควรเปลี่ยนไปทางไหนในขั้นต่อไป'" ข้อ 4 ตัวเลือกที่ถูกต้องคือ "ทำให้ตัวอย่างเปรียบเทียบ 'โครงสร้าง—ประสิทธิภาพ' หนาแน่นเพียงพอ การเลือกชั้นนอกจึงมีความหมายทางสถิติ" ข้อ 5 ตัวเลือกที่ถูกต้องคือ "ประกอบพจน์ความเร็ว โทโพโลยีเพื่อนบ้าน พจน์รบกวนและกลยุทธ์รีสตาร์ทใหม่เป็นตัวสร้างตัวเลือกใหม่"

ตอบถูกแต่ละข้อสามารถยืนยันว่าเชื่อมโยงแนวคิดของหน้านี้และอธิบายเกณฑ์ได้; ตอบผิดเตือนให้กลับไปที่การบรรยายของหน้านี้หาหลักฐานหรือตัวอย่างสำคัญ

การจัดการข้อกรณีศึกษา:

กรณีต้องการอัปเกรดตัวแก้ PSO โครงสร้างคงที่เป็นระบบที่โครงสร้างวิวัฒนาการได้ คำถามที่ 1 เกณฑ์: ดูลำดับของพื้นที่การค้นหาชั้นนอก ถ้าแค่ปรับน้ำหนักความเฉื่อย ปัจจัยการเรียนรู้ ขนาดประชากร จำนวนรอบ ฯลฯ ยังเป็นระดับพารามิเตอร์; เฉพาะเมื่อชั้นนอกสามารถเปลี่ยนการรวมตัวขององค์ประกอบและวิธีการสร้างตัวเลือก เช่น เลือกและประกอบพจน์ความเร็ว โทโพโลยีเพื่อนบ้าน พจน์รบกวน กลยุทธ์รีสตาร์ทใหม่ ทำให้รูปแบบพฤติกรรมเปลี่ยน จึงถือว่าก้าวกระโดดสู่ระดับโครงสร้าง การตรวจสอบที่ปฏิบัติได้: ตรึงไฮเปอร์พารามิเตอร์เชิงตัวเลขทั้งหมด อนุญาตให้ชั้นนอกเปลี่ยนแค่การรวมตัวขององค์ประกอบ ถ้าพฤติกรรมการค้นหายังเปลี่ยนอย่าง本质 แสดงว่าอัปเกรดเป็นระดับโครงสร้างแล้ว

จัดระเบียบบันทึกการรันชั้นในหลังการ instantiate โครงสร้างแต่ละครั้งเป็นลักษณะผลตอบกลับที่มีโครงสร้าง (การรวมตัวขององค์ประกอบ วิถีการลู่เข้า รูปร่างกราฟฟิตเนส รูปแบบความล้มเหลวหรือการหยุดชะงัก ฯลฯ) ให้ลักษณะเหล่านี้ขับเคลื่อนกฎการอัปเดตโครงสร้างชั้นนอกโดยตรง เช่น ตัดสิน "ขั้นต่อไปควรแก้ไของค์ประกอบใดก่อน เพิ่มหรือลบการเชื่อมต่อใด" ไม่ใช่แค่จัดอันดับเลือกที่ดีที่สุด ความแตกต่างจาก "ใช้แค่เลือกคำตอบ": เมื่อใช้แค่เลือกคำตอบ ผลตอบกลับเป็นตัวกรองผลลัพธ์หลังเหตุการณ์; ในการใช้แบบ EvoGO ผลตอบกลับเป็นตัวควบคุมทิศทางก่อนเหตุการณ์ และเตือนว่าต้องใช้ GPU รันงานชั้นในจำนวนมากแบบขนาน สะสมตัวอย่างเปรียบเทียบที่หนาแน่นเพียงพอ

**คำสำคัญที่ครอบคลุม**

- AutoPSO, EvoGO, MetaDE, ระดับพารามิเตอร์, ระดับโครงสร้าง, กลุ่มองค์ประกอบ, ตัวสร้างตัวเลือก, ผลตอบกลับทางประวัติศาสตร์, GPU แบบขนาน, ตัวอย่างเปรียบเทียบโครงสร้าง—ประสิทธิภาพ ตรวจสอบความเข้าใจและกิจกรรมในชั้นเรียน: 判断วิธีการเป็นปรับพารามิเตอร์หรือเปลี่ยนโครงสร้างอย่างไร? AutoPSO กับ EvoGO ทำอะไรตามลำดับ? สามารถให้นักเรียนทวนด้วยตัวอย่างที่ใกล้ประสบการณ์ถึงลำดับการถาม "ชั้นนอกจากค้นหาอะไร"

> **คำใบ้การเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถอธิบายความแตกต่างระหว่างระดับพารามิเตอร์กับระดับโครงสร้าง และการพึ่งพาความหนาแน่นตัวอย่างขนานของวิวัฒนาการโครงสร้างได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับเนื้อหา GPU แบบขนานหรือสรุปการประยุกต์后续

<a id="lecture-page-10"></a>

### GPU แบบขนานและใช่วิวัฒนาการปรับปรุงวิวัฒนาการ

*หน้า 10*

> **เป้าหมายหน้า:** ผู้เรียนควรเชี่ยวชาญวิธีใช้ GPU แบบขนานทำให้การ optimize ตัวเองของอัลกอริทึมเป็นกระบวนการคำนวณที่รันได้

> **เป้าหมายหน้า**
>
> เข้าใจว่าในสถาปัตยกรรมสองชั้น "ใช่วิวัฒนาการปรับปรุงวิวัฒนาการ" GPU แบบขนานเปลี่ยน throughput การประเมินชั้นในเป็นผลตอบกลับทางสถิติที่ชั้นนอกใช้ได้อย่างไร ทำให้การ optimize ตัวเองของอัลกอริทึมเป็นกระบวนการที่รันได้

> **ลำดับการบรรยาย**
>
> สร้างสัญชาตญาณวงปิดสองชั้นก่อน — ชั้นในรันและให้คะแนนแบบกลุ่ม ชั้นกลางรวมประสิทธิภาพ ชั้นนอกเลือก กลายพันธุ์หรืออัปเดตการตั้งค่า; แล้วอธิบายว่าทำไม GPU แบบขนานจึงทดแทนไม่ได้; สุดท้ายใช้จุดที่ผิดง่ายและแบบฝึกหัดตรวจสอบว่านักเรียนแยกหน้าที่สองชั้นได้จริงหรือไม่

**ประเด็นการสอน**

- 1. โครงสร้างสองชั้น ชั้นในรับผิดชอบรันการตั้งค่าอัลกอริทึมจำนวนมากแบบขนานบน GPU เช่น ไฮเปอร์พารามิเตอร์ ตัวดำเนินการ หรือกลยุทธ์การค้นหาต่างๆ และรันและให้คะแนนงานแต่ละ实例 งาน粒度เล็ก จำนวนมาก พอดีกับลักษณะ throughput ของการประมวลผลแบบกลุ่ม ชั้นกลางรวมประสิทธิภาพดิบของงานชั้นในจำนวนมหาศาลเป็นตัวชี้วัดทางสถิติ ประเมินข้อดีข้อเสียของการตั้งค่าแต่ละชุดบนการกระจายงานทั้งหมด สร้างฟิตเนสสำหรับชั้นนอกใช้ ชั้นนอกใช้ผลตอบกลับทางสถิติเป็น input ดำเนินการเลือก กลายพันธุ์ หรืออัปเดต สร้างการตั้งค่ารุ่นถัดไปส่งกลับชั้นใน เกิดวงปิด throughput แบบขนาน → ผลตอบกลับประสิทธิภาพ → การเลือกการตั้งค่า ยิ่งระดับการขนานสูง ผลตอบกลับตัวอย่างยิ่งเพียงพอ การประมาณฟิตเนสของชั้นนอกยิ่งเสถียร ทิศทางการปรับปรุงการตั้งค่ายิ่งเชื่อถือได้
- การตั้งค่าที่ปรับปรุงแล้วส่งกลับไปยังชั้นล่าง เข้าสู่รอบ throughput แบบขนานถัดไป 3. GPU แบบขนานทดแทนไม่ได้ ภายใตลูปอนุกรมแบบดั้งเดิม เวลานาฬิกาฝาผนังต่อรอบวนซ้ำถูกกำหนดร่วมโดย "จำนวนการตั้งค่าตัวเลือก × จำนวนตัวอย่างงาน" ขนาดใหญ่ขึ้นเล็กน้อยก็รับไม่ได้ ลูปอนุกรมจึงกลายเป็นคอขวดหลักที่จำกัดพื้นที่การตั้งค่าและขนาดตัวอย่างงาน GPU แบบขนานให้อัลกอริทึมชั้นในจำนวนมากรันพร้อมกัน ลดลูปอนุกรมจากคอขวดหลักเป็นค่าใช้จ่ายการประมวลผลแบบกลุ่มที่ยอมรับได้ จึงขยายพื้นที่การตั้งค่าที่สำรวจได้และปริมาณตัวอย่างงานพร้อมกัน

> **线索วัสดุ**
>
> - แผนภาพวงปิดจากล่างขึ้นบนแสดงประสิทธิภาพงานและผลตอบกลับฟิตเนส จากบนลงล่างแสดงการส่งลงการตั้งค่า
> - แต่ละหน่วยเป็นตัวแทนการรันและให้คะแนนแบบขนานหนึ่งครั้งของการตั้งค่าอัลกอริทึมหนึ่งบนงานหนึ่ง实例 ในการบรรยายเน้นว่ากระแสข้อมูลบนล่างสองทิศทางตรงข้ามกัน แต่ขาดไม่ได้ ชั้นในคือ "อัลกอริทึมรันงาน ให้คะแนน" ชั้นนอกคือ "วิวัฒนาการเลือกการตั้งค่า" อย่าสับสนสองชั้น ผลตอบกลับได้มาจากประสิทธิภาพการรันจริงของชั้นในเท่านั้น ไม่ใช่การเดาสุ่มของชั้นนอกหรือค่าคงที่ที่ตั้งโดยมนุษย์ ฟิตเนสชั้นนอกเสถียรหรือไม่ขึ้นอยู่กับปริมาณตัวอย่างที่ชั้นในแบบขนานให้
> - ยิ่งขนานเพียงพอ การประมาณยิ่งเสถียร
> - เมื่อตัวอย่างน้อยเกินไปตรวจสอบ throughput ชั้นในก่อน ไม่ใช่รีบปรับพารามิเตอร์ชั้นนอก

**การจัดการแบบฝึกหัด**

ข้อ 1 ตัวเลือกที่ถูกต้องคือ "ข้อมูลประสิทธิภาพที่รวมจากงานชั้นในหลังรันแบบขนานบน GPU" ถ้านักเรียนเลือกผิด กลับไปที่ลูกโซ่วงปิดเน้น: ผลตอบกลับต้องมาจากผลการรันจริงของงานชั้นในจำนวนมาก ไม่ใช่ตัวเลขสุ่มหรือป้ายกำกับที่มนุษย์ตั้ง

ข้อ 2 ตัวเลือกที่ถูกต้องคือ "เวลานาฬิกาฝาผนังต่อรอบที่สะสมจากการตั้งค่าตัวเลือกและตัวอย่างงานจำนวนมากในลูปอนุกรม" ถ้านักเรียนเลือกผิด เตือนว่าคอขวดอยู่ที่ throughput การประเมิน ไม่ใช่ปัญหาที่ไม่เกี่ยวกับขนาดการคำนวณเช่นการนิยามตัวดำเนินการ การประมาณการกระจาย หรือความอธิบายได้

ข้อ 3 ตัวเลือกที่ถูกต้องคือ "การรันและประเมินชั้นในแบบขนาน → การรวมผลตอบกลับประสิทธิภาพ → การเลือกหรือกลายพันธุ์การตั้งค่าชั้นนอก" ถ้านักเรียนเลือกผิด เน้นว่าข้อมูลผลิตจากชั้นในก่อน แล้วรวมเป็นผลตอบกลับ สุดท้ายชั้นนอกใช้เลือกการตั้งค่า ลำดับกลับไม่ได้; สองชั้นต้องแลกเปลี่ยนข้อมูลจึงจะ成立

ข้อ 4 ตัวเลือกที่ถูกต้องคือ "ผลตอบกลับทางสถิติไม่เพียงพอ การประมาณฟิตเนสชั้นนอกมีสัญญาณรบกวนเพิ่มขึ้น การลู่เข้าช้าลง" ถ้านักเรียนเลือกผิด อธิบายว่าการขนานไม่เพียงพอไม่เท่ากับระบบหยุดทำงาน แต่ทำให้ผลตอบกลับทางสถิติ稀疏ลง ความแปรปรวนใหญ่ขึ้น จึงทำให้การค้นหาชั้นนอกช้าลงหรือเบี่ยงเบน

ข้อ 5 ตัวเลือกที่ถูกต้องคือ "การรันและให้คะแนนแบบขนานหนึ่งครั้งของการตั้งค่าอัลกอริทึมหนึ่งบนงาน实例หนึ่ง" ถ้านักเรียนเลือกผิด เตือนว่าหน่วยของงานชั้นในคือการรันและให้คะแนนหนึ่งครั้งของ "การตั้งค่า × งาน实例" งานนับพันแบบนี้รันแบบขนานจึงเกิด throughput

คำถามที่ 1 ต้องอธิบายว่าชั้นในรันการตั้งค่าอัลกอริทึมแบบขนานบน GPU และให้คะแนนเสร็จ ตัวชี้วัดถูกรวมเป็นผลตอบกลับทางสถิติเพื่อประมาณฟิตเนส ชั้นนอกเลือก กลายพันธุ์ หรืออัปเดตและส่งการตั้งค่ารุ่นถัดไปกลับ เกิดวงปิด "throughput แบบขนาน—ผลตอบกลับประสิทธิภาพ—การเลือกการตั้งค่า" คำถามที่ 2 ต้องรวม throughput กับคุณภาพผลตอบกลับ: CPU แบบอนุกรมทำให้จำนวนการตั้งค่าตัวเลือกและปริมาณตัวอย่างงานถูกจำกัดด้วย throughput เธรดเดียว เวลานาฬิกาฝาผนังต่อรอบเพิ่มขึ้นตามขนาดอย่างรวดเร็วจนรับไม่ได้; ตัวอย่างผลตอบกลับลดลง ความแปรปรวนเพิ่มขึ้น การ判断ข้อดีข้อเสียการตั้งค่าของชั้นนอกไม่เสถียร ทิศทางการค้นหาง่ายต่อการเบี่ยงเบน ลู่เข้าช้าลง 乃至หยุดชะงัก GPU แบบขนานยกระดับ throughput ชั้นใน ขยายขนาดการตั้งค่าและงานที่สำรวจได้ พร้อมรับประกันคุณภาพทางสถิติของผลตอบกลับ

**ตรวจสอบความเข้าใจ**

ให้นักเรียนทวนด้วยคำพูดตัวเองถึง "throughput แบบขนาน → ผลตอบกลับประสิทธิภาพ → การเลือกการตั้งค่า" และระบุว่าชั้นในกับชั้นนอกรับผิดชอบอะไรตามลำดับ ถ้านักเรียนจำได้แค่ GPU เร็ว แต่ไม่ได้อธิบายชัดว่าผลตอบกลับมาจากการรันจริงของชั้นใน ต้องกลับไปที่แผนภาพวงปิดอธิบายเพิ่ม

> **คำใบ้การเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถแยกหน้าที่สองชั้น และพูดได้ว่าคุณภาพผลตอบกลับขึ้นอยู่กับปริมาณตัวอย่างแบบขนานของชั้นในแล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับการประยุกต์ ตัวอย่าง หรือสรุป

<a id="lecture-page-11"></a>

### ออกแบบพิมพ์เขียวการทดลอง optimize สองชั้น

*หน้า 11*

> **เป้าหมายหน้า:** ผู้เรียนควรออกแบบแผนการทดลองที่นำปัจจัยการกลายพันธุ์ของ Differential Evolution เป็นวัตถุวิวัฒนาการชั้นนอกผ่านการปฏิบัติ

**ประเด็นการสอน**

- ถ้าไม่มีการเปรียบเทียบร่วมกับ F = 0.5 คงที่และ DE แบบปรับตัวคลาสสิก "ชั้นนอกชนะ" ใดๆ ก็เป็นแค่สัญญาณรบกวน พื้นฐานต้องใช้งบประมาณการประเมิน ฮาร์ดแวร์ และชุด seed สุ่มเดียวกันกับ方案ของคุณ
- การประเมินชั้นในมีความ noisy ตามธรรมชาติ: รันซ้ำและสังเกตค่าเฉลี่ย ค่ามัธยฐาน และค่า quantile ที่แย่ที่สุดพร้อมกัน เมื่อจำเป็นรายงานช่วงความเชื่อมั่น; แยกงานฝึกและงานตรวจสอบ หลีกเลี่ยงชั้นนอกแค่จำ seed ที่โชคดีไม่กี่ตัว
- การแมปจากยีนแต่ละตัวไปยังการตั้งค่ารันไทม์ต้องเขียนเป็นกฎที่รันได้โดยตรง และบันทึก seed งบประมาณ ID งาน ฮาร์ดแวร์ และเงื่อนไขหยุดพร้อมการทดลอง คนอื่นสามารถ replay ตามบันทึกเหล่านี้ได้ พิมพ์เขียวจึงจะถือว่า成立จริง

> **เป้าหมายหน้า**
>
> ยกระดับปัจจัยการกลายพันธุ์ F ของ Differential Evolution (DE) จากไฮเปอร์พารามิเตอร์คงที่เป็นวัตถุวิวัฒนาการชั้นนอก ออกแบบพิมพ์เขียวการทดลอง optimize สองชั้นที่รันได้และ replay ได้
>
> ลำดับการบรรยายและประเด็น:
>
> 1. ให้วงปิดสองชั้นก่อน ชั้นนอกรับผิดชอบวิวัฒนาการกลยุทธ์ F ชั้นในใช้การตั้งค่า F หนึ่งรัน DE แก้ปัญหา และส่งผลงานกลับชั้นนอก ชั้นนอกอัปเดตการตั้งค่าตามผลตอบกลับ เกิดวงรอบ "การตั้งค่า → การรัน → การประเมิน → การอัปเดต"
>
> 2. ชั้นในต้องทำเป็นการทดลองที่ทำซ้ำได้ หลังจากเลือกฟังก์ชัน基準หรืองาน ตรึงโครงสร้างหลักของ DE มิติ งบประมาณการประเมินและชุด seed สุ่ม ปริมาณเดียวที่เปลี่ยนคือการตั้งค่า F ที่ชั้นนอกส่งเข้ามา บันทึกค่า optimum จำนวนรุ่นลู่เข้า อัตราความสำเร็จ ปริมาณการละเมิดข้อจำกัด hypervolume ความหลากหลายของตัวเลือก และอื่นๆ ทุกครั้งที่รัน; เหล่านี้คือข้อมูลทั้งหมดที่ชั้นนอกเห็นได้
>
> 3. ชั้นนอกจากค้นหาไม่ใช่ตัวเลขเดียว แต่เป็นกลยุทธ์ F หนึ่ง การเข้ารหัสทั่วไปมี F คงที่ ค่าคงที่แบบแบ่งช่วง (เช่น [F1,F2,F3] สลับตามช่วงรุ่น) และฟังก์ชันจัดตารางที่ควบคุมด้วยยีนจำนวนน้อย (เช่น trigger ตามอัตราความสำเร็จ ความแปรปรวนประชากร หรือสัดส่วนรุ่น) การเข้ารหัสแบบกลยุทธ์ต้องเขียนลักษณะ input และกฎ output ให้ชัด
>
> 4. การแมปจาก genotype ไปยังการตั้งค่ารันไทม์ต้องชัดเจนและทำซ้ำได้ ตัวอย่างเช่น [Fเริ่ม, Fสิ้นสุด, การ衰减] แมปเป็น F(t)=Fเริ่ม+(Fสิ้นสุด−Fเริ่ม)×e^(−การ衰减×t/T) โดย t คือรุ่นปัจจุบัน T คือรุ่นทั้งหมด; [F1,F2,F3] แมปเป็นค่าคงที่สามช่วง genotype เดียวกันต้องได้การตั้งค่ารันไทม์เดียวกันเสมอ มิฉะนั้น "ยีนดี" ที่ชั้นนอกเรียนรู้จะอธิบายไม่ได้และยากต่อการ迁移
>
> 5. การรันวงปิดพึ่งพาการประเมินแบบกลุ่ม หลังจากประชากรชั้นนอกสร้างกลุ่มการตั้งค่า F ตัว scheduler กระจายงาน DE ชั้นในแบบขนาน ประเมินแบบกลุ่มทำเทนเซอร์บน GPU รวมตัวชี้วัดแล้วเข้าสู่การเลือก กลายพันธุ์ ผสมข้ามและอัปเดตของชั้นนอก ต้องบันทึก seed งบประมาณ ID งาน รุ่นฮาร์ดแวร์และเงื่อนไขหยุด ให้คนอื่น replay ตามเงื่อนไขเดียวกันได้
>
> 6. การรวมการประเมินต้องทนทาน ชั้นในมีความ noisy ตามธรรมชาติ จึงสามารถรันอิสระหลายครั้ง รายงานค่าเฉลี่ย ค่ามัธยฐาน ค่า quantile ที่แย่ที่สุดหรือช่วงความเชื่อมั่น; พร้อมแยกงานฝึกและงานตรวจสอบ หลีกเลี่ยงชั้นนอกแค่จำ seed ที่โชคดีไม่กี่ตัว
>
> ใช้โมเดล low-fidelity หรือการประเมินตัวแทนคัดกรองหยาบก่อน แล้วประเมินซ้ำ high-fidelity กับตัวเลือกจำนวนน้อย; การป้องกันพื้นฐาน: F=0.5 คงที่และ DE แบบปรับตัวคลาสสิกต้องเปรียบเทียบร่วมกัน และใช้การทดลอง ablation ยืนยันว่าผลตอบแทนมาจากวิวัฒนาการชั้นนอกเอง ไม่ใช่จากการประเมิน次数ที่มากขึ้น ถ้าพื้นที่การค้นหาชั้นนอกเล็กเกินไป การ optimize สองชั้นจะ退化เป็นการปรับพารามิเตอร์ด้วยมือ ควรขยายพื้นที่การเข้ารหัส

**คำสำคัญที่ครอบคลุม**

- การ optimize สองชั้น, วิวัฒนาการชั้นนอก, การประเมินชั้นใน, กลยุทธ์ F, การแมปที่ชัดเจน, การประเมินแบบกลุ่มบน GPU, พื้นฐาน, ablation, ทำซ้ำได้, การป้องกันสัญญาณรบกวน

> **线索วัสดุ**
>
> - หน้าใช้แผนภาพวงปิด "ลูปชั้นนอก—งานชั้นใน—การแมปการตั้งค่า—ผลตอบกลับงาน" แสดงพิมพ์เขียว และระบุช่องที่ต้องกรอก: เป้าหมายงานชั้นใน, วัตถุกลยุทธ์ชั้นนอก, วิธีการแมป F, ตัวชี้วัดการประเมิน, การขนานและงบประมาณ, พื้นฐาน/ablation/เงื่อนไขหยุด 线索แบบฝึกหัดและคำแนะนำคำตอบ: ข้อ 1 ตัวเลือกที่ถูกต้องคือ "ตรึงโครงสร้างหลัก มิติ งบประมาณการประเมินและชุด seed สุ่มของ DE" ประเด็นคือเฉพาะเมื่อปัจจัยอื่นถูกล็อก ความแตกต่างที่เกิดจากการตั้งค่า F ต่างๆ จึงสามารถ归因ให้ F ได้ ข้อ 2 ตัวเลือกที่ถูกต้องคือ "การจัดตารางต่อเนื่อง F(t) ที่衰减แบบ exponential ตามรุ่น" [Fเริ่ม,Fสิ้นสุด,การ衰减] สามยีนควบคุมจุดเริ่ม จุดสิ้นสุดและอัตราการ衰减ตามลำดับ ข้อ 3 ตัวเลือกที่ถูกต้องคือ "ตัว scheduler กระจายงาน DE ชั้นในแบบขนาน และประเมินแบบกลุ่มทำเทนเซอร์บน GPU" การตั้งค่าต้องรันและวัดก่อน แล้วจึงอัปเดตฟิตเนสชั้นนอก ข้อ 4 ตัวเลือกที่ถูกต้องคือ "รันอิสระหลายครั้งและรวมตามค่ามัธยฐาน ค่า quantile ที่แย่ที่สุด ฯลฯ พร้อมแยกงานฝึกและงานตรวจสอบ" นี่คือกุญแจรับมือกับสัญญาณรบกวนชั้นในและป้องกัน overfit กับ seed ที่โชคดี ข้อ 5 ตัวเลือกที่ถูกต้องคือ "เปรียบเทียบร่วมกับพื้นฐานเช่น F=0.5 คงที่, DE แบบปรับตัวคลาสสิก และทำการทดลอง ablation ยืนยันแหล่งที่มาของผลตอบแทน" ภายใต้งบประมาณ ฮาร์ดแวร์ ชุด seed เดียวกันเปรียบเทียบ ข้อสรุปจึงจะ成立 ข้อกรณีศึกษาต้องการกฎการแมปและ方案การรวมการประเมิน สามารถออกแบบการจัดตารางต่อเนื่องหรือค่าคงที่แบบแบ่งช่วง แต่ต้องชัดเจน ทำซ้ำได้
> - ชั้นในบันทึกค่า optimum จำนวนรุ่นลู่เข้า อัตราความสำเร็จและความแปรปรวน ชั้นนอกรวมเป็นการจัดอันดับ พจน์การลู่เข้าและบทลงโทษความแปรปรวน
> - ใช้ F คงที่และ DE แบบปรับตัวเป็นพื้นฐาน แล้วรันกลุ่ม ablation "ปิดวิวัฒนาการชั้นนอก สุ่มตัวอย่างการตั้งค่าจำนวนเท่ากัน" ยืนยันว่าผลตอบแทนไม่ใช่มาจากการประเมิน次数ที่เพิ่มขึ้น

**กิจกรรมในชั้นเรียน**

ให้นักเรียนแบ่งกลุ่มออกแบบพิมพ์เขียวการทดลอง optimize สองชั้นที่นำปัจจัยการกลายพันธุ์ DE เป็นวัตถุวิวัฒนาการชั้นนอก และวาดวงปิดชั้นนอกและชั้นในบนไวท์บอร์ด; แต่ละกลุ่มเขียนอย่างน้อยกฎการแมปจาก genotype ไปยัง F ตัวชี้วัดการประเมิน วิธีการรวมฟิตเนสชั้นนอก 方案พื้นฐานและ ablation

**ตรวจสอบความเข้าใจ**

สุ่มนักเรียนอธิบายด้วยสองประโยค "ทำไมนอกจาก F แล้วต้องตรึงทุกอย่าง" และ "ทำไมการแมปที่ชัดเจนจึงเป็นเงื่อนไขของการทำซ้ำได้" ถ้านักเรียนเชื่อมโยงการ归因 การ迁移 และการ replay ได้ แสดงว่าเข้าใจแกนของหน้านี้

> **คำใบ้การเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถวาดวงปิด "การแมปการตั้งค่า → การรันชั้นใน → ผลตอบกลับงาน → การอัปเดตชั้นนอก" และอธิบายบทบาทของพื้นฐานและ ablation ได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่างหรือสรุป

<a id="lecture-page-12"></a>

### การพัฒนาต่อเนื่องของระบบอัจฉริยะและความท้าทายจากสภาพแวดล้อม

*หน้า 12*

> **เป้าหมายหน้า:** ผู้เรียนควรเข้าใจความท้าทายการปรับตัวระยะยาวที่ระบบที่ขับเคลื่อนด้วยโมเดลขนาดใหญ่ต้องรับมือ

**ประเด็นการสอน**

- ย่อการพัฒนาต่อเนื่องเป็นสูตรเดียว: สร้างตัวเลือก → ตรวจสอบในสภาพแวดล้อมจริง → กรอง (รับ/ปฏิเสธ) → บันทึกผลงาน ถ้าขาด環ใด環หนึ่ง องค์ประกอบอัจฉริยะที่แข็งแกร่งก็ได้แค่หยุดที่ "ความสามารถจุดเดียว"
- คะแนน基準เพิ่มขึ้นแค่แสดงว่าตัวเลือกดีขึ้นบนข้อมูลเก่า ไม่ได้เท่ากับปรับตัวได้ดีกว่าในสภาพแวดล้อมใหม่ การ判断การเปลี่ยนแปลงควรเก็บไว้หรือไม่ ต้องดูประสิทธิภาพในสภาพแวดล้อมจริง ไม่ใช่อันดับบนชุด replay
- ถามตัวเอง: ระบบของฉันบันทึกผลงานที่ตรวจสอบแล้วและใช้ซ้ำหรือไม่? เคยปฏิเสธการแก้ไขที่จะทำลายความสามารถที่มีอยู่หรือไม่? ถ้าคำตอบทั้งสองคือ "ไม่" แสดงว่ามันยังไม่เริ่ม "การพัฒนาต่อเนื่อง" อย่างแท้จริง

เป้าหมายหน้า

หน้านี้讨论การพัฒนาต่อเนื่องของระบบอัจฉริยะและความท้าทายจากสภาพแวดล้อม แกนไม่ใช่追问ว่าองค์ประกอบอัจฉริยะเดี่ยวเก่งแค่ไหน แต่เข้าใจว่าองค์ประกอบอัจฉริยะที่แข็งแกร่งเป็นแค่วัสดุ ต้องถูกจัดเข้าในกรอบระบบที่ปรับตัวตามสภาพแวดล้อมได้ระยะยาว

ประเด็นการสอน

1. องค์ประกอบที่แข็งแกร่งไม่เท่ากับระบบที่ยั่งยืน โมเดลที่ใหญ่กว่า ความสามารถสร้างและอนุมานที่แข็งแกร่งกว่า คะแนน基準ที่สูงกว่า ไม่ได้นำมาซึ่งการปรับตัวระยะยาวโดยอัตโนมัติ การนำองค์ประกอบอัจฉริยะเข้าระบบเพิ่ง走完ขั้นแรก

การสร้างตัวเลือก การตรวจสอบในสภาพแวดล้อมจริง การกรองการเปลี่ยนแปลง การบันทึกผลงานอย่างถาวร การสร้างตัวเลือกต้องการผลผลิตกลยุทธ์ โครงสร้าง หรือพารามิเตอร์ตัวเลือกที่แตกต่างจริงอย่างต่อเนื่อง; ถ้าตัวเลือกคล้ายกันมาก วิวัฒนาการก็สูญเสียวัตถุดิบ การตรวจสอบในสภาพแวดล้อมจริงให้ตัวเลือกเข้าสู่งานจริงและผลตอบกลับจริง เผยให้เห็นการ漂移ของการกระจาย เงื่อนไขขอบเขตและสถานการณ์ long-tail ที่ตัวชี้วัดออฟไลน์มองไม่เห็น การกรองการเปลี่ยนแปลงต้องรับการเปลี่ยนแปลงที่มีประสิทธิผล ปฏิเสธการแก้ไขที่จะทำลายความสามารถที่มีอยู่ อย่างหลังมักเป็นแหล่งหลักของการ退化ระยะยาว การบันทึกผลงานอย่างถาวรบันทึก方案 กลยุทธ์ หรือประสบการณ์ที่ตรวจสอบว่ามีประสิทธิผลไว้ สำหรับการสร้างตัวเลือก后续ใช้ซ้ำ เกิดวิถีการพัฒนาที่สะสมได้

ตัวชี้วัดออฟไลน์แค่อธิบายประสิทธิภาพบนข้อมูลในอดีต ขณะที่ในสภาพแวดล้อมจริงการกระจายงาน漂移 ข้อจำกัดทรัพยากรเปลี่ยน ความต้องการใหม่ไหลเข้ามาต่อเนื่อง การ optimize แค่ในเป้าหมายที่ตั้งไว้หรือตัวชี้วัดออฟไลน์ ระบบจะวนอยู่ในเป้าหมายตัวแทนปิด; เมื่อสภาพแวดล้อมเปลี่ยน การเปลี่ยนแปลงที่ไม่ได้ตรวจสอบจริงอาจกัดกร่อนความสามารถที่มีอยู่อย่างเงียบๆ ดังนั้นการกรองและความจำจึงสำคัญเท่ากัน

ขยายจากสิ่งที่องค์ประกอบอัจฉริยะทำได้ ไปสู่การที่ระบบจัดระเบียบการพัฒนาต่อเนื่องและรับมือความท้าทายจากสภาพแวดล้อมจริงอย่างไร ถ้าขาดกลไกสี่ประเภท ตัวแทนอัจฉริยะที่แข็งแกร่งก็อาจทำผิดซ้ำในงานระยะยาว หรือทำลายความสามารถเดิมในการอัปเดต; เมื่อสี่กลไกเกิดวงปิด ความสามารถที่แข็งแกร่งจึงสะสมได้อย่างเสถียร

线索วัสดุ

แผนภาพเน้นการนำองค์ประกอบอัจฉริยะที่แข็งแกร่งเข้าสู่กรอบระบบพัฒนาต่อเนื่อง สภาพแวดล้อมภายนอกสร้างความกดดันต่อเนื่องจากการ漂移ของงาน ข้อจำกัดทรัพยากร ความต้องการใหม่ที่ไหลเข้ามา ลูกศรวงปิดสอดคล้องกับตัวเลือกแบบกลุ่ม ผลตอบกลับจริง การเปลี่ยนแปลงหลังการกรอง การตกตะกอนและใช้ซ้ำ

ความเข้าใจผิดที่พบบ่อย

เข้าใจการเพิ่มคะแนน基準หนึ่งครั้งว่าระบบวิวัฒนาการเสร็จแล้ว คะแนนเพิ่มขึ้นแค่แสดงว่าตัวเลือกดีขึ้นบนข้อมูลเก่า; ควรรับและบันทึกหรือไม่ยังต้องตรวจสอบในสภาพแวดล้อมจริงและกรอง

线索แบบฝึกหัด

แม่นยำที่สุดคือสร้างกรอบการจัดระเบียบระบบที่รับมือการเปลี่ยนแปลงสภาพแวดล้อมระยะยาว ให้ตัวเลือกผ่านการตรวจสอบจริงและถูกกรอง สะสมและบันทึก ข้อ 2: ต้องตรวจสอบจริง เพราะการ optimize ออฟไลน์ไม่สามารถเผยวิธีที่ตัวเลือกล้มเหลวในสภาพแวดล้อมจริง ข้อ 3: บทบาทหลักหลังการตรวจสอบคือรับการเปลี่ยนแปลงที่มีประสิทธิผล ปฏิเสธการแก้ไขที่ทำลายความสามารถที่มีอยู่ และบันทึกผลงานที่ตรวจสอบแล้วอย่างถาวร ข้อ 4: เมื่อขาดกลไกสี่ประเภท สิ่งที่น่าจะเกิดขึ้นมากที่สุดคือทำผิดซ้ำระยะยาวหรือทำลายความสามารถเดิมในการอัปเดต ข้อ 5: จุดสนใจเปลี่ยนจากสิ่งที่องค์ประกอบอัจฉริยะทำได้ไปสู่การที่ระบบจัดระเบียบการพัฒนาต่อเนื่องและรับมือความท้าทายจากสภาพแวดล้อมอย่างไร

เมื่อวินิจฉัยระบบจัดการอัตโนมัติในสภาพแวดล้อมการผลิต ควรระบุว่าขาดการสร้างตัวเลือก การตรวจสอบในสภาพแวดล้อมจริง การกรองการเปลี่ยนแปลงและการบันทึกผลงานอย่างถาวร และอธิบายผลที่ตามมาแยกกัน: กลยุทธ์คล้ายกันทำให้ความล้มเหลวประเภทเดียวกันล้มเหลวซ้ำ การ replay ออฟไลน์ไม่สามารถเผยการ漂移ในการผลิต การอัปเดตที่ทำลายถูกนำขึ้นทั้งหมด ประสบการณ์ไม่ถูกบันทึกทำให้เซสชันใหม่เริ่มจากศูนย์ 方案ปรับปรุงสามารถใช้ shadow traffic หรือช่องทาง gray สำหรับการตรวจสอบจริง ตั้งประตูการเปลี่ยนแปลง สร้างคลังประสบการณ์บันทึก方案ที่ตรวจสอบและเงื่อนไขการใช้งาน; พร้อมอธิบายการ权衡: gray และประตูที่เข้มงวดจะลดความเร็ววิวัฒนาการและประสิทธิภาพการขึ้นระบบ และเพิ่มต้นทุน ต้องสมดุลระหว่างความเร็วการสำรวจและความสามารถเดิมที่ไม่退化

ตรวจสอบความเข้าใจ

ระบบของฉันบันทึกและใช้ซ้ำผลงานที่ตรวจสอบแล้วหรือไม่? เคยปฏิเสธการแก้ไขที่จะทำลายความสามารถที่มีอยู่หรือไม่? ถ้าทั้งสองเป็นไม่ ระบบยังไม่เริ่มพัฒนาต่อเนื่องอย่างแท้จริง

คำใบ้การเปลี่ยนผ่าน

หลังจากยืนยันว่านักเรียนสามารถทวนวงปิดสี่ขั้นและความจำเป็นได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่าง การประยุกต์ หรือสรุป

<a id="lecture-page-13"></a>

### เริ่มต้นอย่างรวดเร็วและการตั้งค่าสภาพแวดล้อมแบบย่อ

*หน้า 13*

> **เป้าหมายหน้า:** ผู้เรียนควรเข้าใจวิธีเข้าถึงกรอบ EvoX อย่างรวดเร็วผ่านเครื่องมือและอินเทอร์เฟซที่กระชับ

**ประเด็นการสอน**

- หลังจากตั้งค่าสภาพแวดล้อมเสร็จ ใช้ตัวอย่างน้อยที่สุดยืนยันว่าลูกโซ่ "ปัญหา → อัลกอริทึม → การรัน → ผลลัพธ์" 通畅 ก่อน แล้วค่อยเปลี่ยนไปการทดลองจริง ปัญหาหลายอย่างที่ดูเหมือน "อัลกอริทึมไม่ลู่เข้า" ที่จริงมาจาก dependency ขาดหรืออุปกรณ์ไม่ถูกเรียกอย่างถูกต้อง
- หลังจากติดตั้งเสร็จทันทีตรวจสอบว่าเวอร์ชัน dependency และประเภทอุปกรณ์เป้าหมาย (CPU / GPU / คลัสเตอร์) ตรงกันหรือไม่ ยิ่งปัญหาสภาพแวดล้อมถูกเปิดเผยเร็ว ต้นทุนการแก้ไขยิ่งต่ำ; รอจนการทดลองยาวรายงานข้อผิดพลาดกลางทาง เวลาที่เสียจะไกลเกินกว่าการลงทุนตรวจสอบ前期
- ให้อัลกอริทึมและโมดูลปัญหาพึ่งพาแค่อินเทอร์เฟซมาตรฐาน อย่า hardcode อุปกรณ์เฉพาะหรือขนาดการขนานในโค้ด วิธีนี้เมื่อขยายจากเครื่องเดียวไปคลัสเตอร์แบบกระจาย มักแค่ปรับการตั้งค่าการจัดตารางของ Runtime ไม่ต้องเขียนตรรกะอัลกอริทึมใหม่

เป้าหมายหน้า

วิธีใช้กระบวนการน้อยที่สุดที่ AI ช่วย完成การติดตั้งและเริ่มต้น EvoX และผ่านอินเทอร์เฟซมาตรฐานเชื่อมทรัพยากรการคำนวณชั้นล่างกับสภาพแวดล้อมวิวัฒนาการ ให้ผู้วิจัยกลับไปที่ "การออกแบบปัญหา" โดยเร็วที่สุด

ลำดับการบรรยาย

ระบุความขัดแย้งหลักก่อน — เมื่อลงมือทำการทดลองจริง สิ่งที่เจอก่อนมักไม่ใช่ปัญหาอัลกอริทึม แต่เป็นปัญหาสภาพแวดล้อมเช่นการติดตั้งแพ็กเกจ การจัดแนว dependency การเลือกอุปกรณ์และการระบุข้อผิดพลาด แล้วให้กระบวนการน้อยที่สุดสี่ขั้น "ติดตั้ง → ตั้งค่า → ตรวจสอบ → รัน" ต่อด้วยการออกแบบแยกส่วนของอินเทอร์เฟซมาตรฐาน สุดท้ายใช้ความเข้าใจผิดที่พบบ่อยและแบบฝึกหัดเสริม

ประเด็นการสอน

完成การเริ่มต้นสภาพแวดล้อม ระบุว่าการทดลองนี้ใช้ CPU GPU หรือคลัสเตอร์; ตรวจสอบ: ตรวจสอบว่า dependency ครบถ้วน อุปกรณ์คำนวณเป้าหมายถูกระบุและเรียกได้หรือไม่; รัน: รันตัวอย่างน้อยที่สุด ยืนยันลูกโซ่ "ปัญหา → อัลกอริทึม → การรัน → ผลลัพธ์" สมบูรณ์ สี่ขั้นเสร็จได้เส้น基準ที่เชื่อถือได้ ความผิดปกติ后续สามารถใช้เปรียบเทียบ判断ปัญหาอยู่ที่สภาพแวดล้อมหรือการออกแบบการทดลอง

2. การเข้าถึงน้อยที่สุดที่ AI ช่วย เครื่องมือ AI สามารถบีบการติดตั้งหลายขั้น การดึง dependency และการตั้งค่าพื้นฐานเป็นการสั่งภาษาธรรมชาติหนึ่งหรือสองคำสั่ง และให้คำแนะนำการซ่อมแซมเฉพาะเมื่อเวอร์ชันขัดแย้ง dependency ขาดหรืออุปกรณ์ใช้งานไม่ได้ คุณค่าของมันไม่ใช่ทำวิจัยแทนนักวิจัย แต่ลด门槛การเข้าถึงกรอบงาน บีบค่าใช้จ่ายทางวิศวกรรมที่ไม่ใช่การวิจัย

3. อินเทอร์เฟซมาตรฐาน อัลกอริทึม โมดูลปัญหาและ workflow เขียน面向อินเทอร์เฟซ统一เท่านั้น ชั้นล่างเป็น GPU หลายคอร์ในเครื่องหรือคลัสเตอร์แบบกระจาย ให้ Runtime จัดตาราง เมื่อเปลี่ยนฮาร์ดแวร์หรือปรับขนาดการขนานมักไม่ต้องเขียนโค้ดอัลกอริทึมใหม่ ต้นทุนการเชื่อมโยงระหว่างอัลกอริทึม ปัญหาและพลังการคำนวณลดลงอย่างมีนัยสำคัญ

4. ความเข้าใจผิดที่พบบ่อย เข้าใจ "การตั้งค่าน้อยที่สุด" เป็น "ไม่ต้องสนใจชั้นล่าง" เป็นกับดักที่ง่ายที่สุด การน้อยที่สุดแค่ยกงานซ้ำให้เครื่องมือ อุปกรณ์และเวอร์ชันตรงกันหรือไม่ พลังการคำนวณถูกจัดตารางจริงหรือไม่ ยังต้องยืนยันในขั้นตอนตรวจสอบ ยิ่งการตั้งค่าง่าย ยิ่งต้องสร้างนิสัย "รันตัวอย่างน้อยที่สุดให้ผ่านก่อน เริ่มการทดลองจริง" มิฉะนั้นปัญหาสภาพแวดล้อมอาจระเบิดกลางการทดลองยาว ราคาสูงกว่าการตรวจสอบ前期มาก

กิจกรรมในชั้นเรียน

ให้นักเรียนทวนกระบวนการของหน้านี้ด้วยคำพูดตัวเอง และยกตัวอย่างสถานการณ์ "ดูเหมือนอัลกอริทึมไม่ลู่เข้า จริงๆ แล้ว dependency ขาดหรืออุปกรณ์ไม่ถูกเรียกอย่างถูกต้อง" เพื่อตรวจสอบความเข้าใจบทบาทของขั้นตอนตรวจสอบ

การจัดการแบบฝึกหัด

คำถามแบบเลือกตอบ 5 ข้อของหน้านี้围绕คุณค่าเครื่องมือ AI จุดประสงค์อินเทอร์เฟซมาตรฐาน ประเด็นขั้นตอนตรวจสอบ บทบาทตัวอย่างน้อยที่สุด กลยุทธ์การ迁移จากเครื่องเดียวไปคลัสเตอร์ ในการจัดการให้นักเรียนเลือกคำตอบก่อน แล้ว追问เกณฑ์ ข้อ 1 ตัวเลือกที่ถูกต้องคือ "บีบการติดตั้งหลายขั้น dependency และการตั้งค่าเป็นคำสั่งจำนวนน้อย และให้คำแนะนำการซ่อมแซมเมื่อเกิดข้อผิดพลาด" ต้องนำนักเรียนแยกการตั้งค่าทางวิศวกรรมกับการออกแบบอัลกอริทึม การจัดตารางการรัน ข้อ 2 ควรเลือก "อัลกอริทึม ปัญหาและพลังการคำนวณ" เน้นว่าชั้นอินเทอร์เฟซอยู่ระหว่างสภาพแวดล้อมวิวัฒนาการและทรัพยากรการคำนวณชั้นล่าง ข้อ 3 ควรเลือก "dependency ครบถ้วนและเวอร์ชันตรงกัน อุปกรณ์คำนวณเป้าหมายถูกระบุและเรียกได้" เตือนว่าการตรวจสอบมุ่งที่สภาพแวดล้อมและทรัพยากรเอง

ข้อ 4 ควรเลือก "ใช้ยืนยันว่าลูกโซ่ end-to-end ระหว่างการติดตั้ง การตั้งค่า การเรียกอุปกรณ์และผลลัพธ์เชื่อมต่อแล้ว" ตัวอย่างน้อยที่สุดสร้างเส้น基準ที่เชื่อถือได้ ไม่ใช่基準ประสิทธิภาพ ข้อ 5 ควรเลือก "รักษาอัลกอริทึมและโมดูลปัญหาให้基本ไม่เปลี่ยน แค่ปรับการจัดตารางและตั้งค่าอุปกรณ์ของ Runtime" เพราะการขยายแนวนอนแค่เปลี่ยนการตั้งค่าการจัดตาราง ไม่แตะอัลกอริทึมและโค้ดปัญหา ตอบถูกให้ยืนยัน ตอบผิดนำนักเรียนกลับไปที่ย่อหน้าที่สอดคล้องหาหลักฐาน

การจัดการกรณีศึกษา

"上线สภาพแวดล้อมการทดลอง EvoX ภายในหนึ่งสัปดาห์" ต้องการออกแบบกระบวนการเริ่มต้นน้อยที่สุดและอธิบายบทบาทเครื่องมือ AI แนะนำขยายสี่ขั้น: การติดตั้ง AI สร้างคำสั่งติดตั้ง EvoX และ dependency ตามสภาพแวดล้อมเครื่องและ统一เวอร์ชัน; การตั้งค่า AI สร้างการตั้งค่าพื้นฐานตามเวอร์ชัน Python และประเภทอุปกรณ์ ระบุใช้ GPU workstation; ตรวจสอบ dependency ครบ เวอร์ชันเข้ากันได้ GPU ระบุและเรียกได้; รันตัวอย่างน้อยที่สุดให้ลูกโซ่ end-to-end ผ่าน บทบาทเครื่องมือ AI ทะลุสี่ขั้น: แปลการค้นเอกสาร การแก้ข้อผิดพลาดทีละตัวอย่างเป็นคำสั่งที่รันได้จำนวนน้อย และให้คำแนะนำการซ่อมแซมเมื่อรายงานข้อผิดพลาด

คำถามที่สอง关于อินเทอร์เฟซมาตรฐานลดต้นทุนการเชื่อมโยง ประเด็นคืออัลกอริทึมเขียน面向อินเทอร์เฟซ统一เท่านั้น GPU ตัวใด กระบวนการในเครื่องจำนวนเท่าไร หรือโหนดคลัสเตอร์ใดรัน ให้ Runtime ตัดสิน ดังนั้นการ迁移มักแค่เปลี่ยนการจัดตารางและตั้งค่าอุปกรณ์ ไม่ต้องเขียนอัลกอริทึมและโค้ดปัญหาใหม่ ก่อน迁移ต้องตรวจสอบ: สภาพแวดล้อมใหม่และเดิม dependency เวอร์ชันเดียวกัน อุปกรณ์เป้าหมายระบุและเรียกได้ การกระจายข้อมูลและการสื่อสารระหว่างโหนดปกติ และรันตัวอย่างน้อยที่สุดในโทโพโลยีใหม่ให้ลูกโซ่ end-to-end ผ่าน พร้อมบันทึกประสิทธิภาพก่อนและหลัง迁移 หลีกเลี่ยงการ判断ผิดความแตกต่างสภาพแวดล้อมเป็นอัลกอริทึมที่ดีขึ้น

ตรวจสอบความเข้าใจ

สุ่มนักเรียนหนึ่งคนสรุปประเด็นสำคัญของหน้านี้ด้วยคำพูดตัวเอง ครูเติมคำสำคัญที่ขาดตามคำตอบ เช่น "กระบวนการน้อยที่สุดสี่ขั้น" "อินเทอร์เฟซมาตรฐาน" "การแยกส่วน" "เส้น基准ที่เชื่อถือได้" "รันตัวอย่างน้อยที่สุดให้ผ่านก่อน" เป็นต้น

คำใบ้การเปลี่ยนผ่าน

หลังจากยืนยันว่านักเรียนสามารถพูด "การตั้งค่าน้อยที่สุดไม่เท่ากับไม่ต้องสนใจชั้นล่าง" และความสัมพันธ์สองชั้น "เขียนอัลกอริทึมเหนืออินเทอร์เฟซ จัดตารางพลังการคำนวณใต้インターフェース" ได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่าง การประยุกต์ หรือสรุป

<a id="lecture-page-14"></a>

### ความสามารถหลักและการเปลี่ยนกรอบคิดของนักวิจัย

*หน้า 14*

> **เป้าหมายหน้า:** ผู้เรียนควรเข้าใจการเปลี่ยนบทบาทหลักของนักวิจัยจากเขียนโค้ดด้วยมือไปสู่การตั้งคำถามสำคัญในการวิจัยที่ AI ช่วย

**ประเด็นการสอน**

- ทุกครั้งก่อนเริ่มการทดลองถามตัวเองก่อน: ระดับที่เปลี่ยนครั้งนี้คือพารามิเตอร์ โปรแกรม โครงสร้างอัลกอริทึม หรือกระบวนการวิจัย? ระดับ说不清 ผลลัพธ์ทั้งหมด后续ยากต่ออธิบาย
- ตัวชี้วัด สัญญาณตัวแทน 门槛การยอมรับ เกณฑ์ความล้มเหลว การตั้งตัวชี้วัดหลักแค่ตัวเดียวเป็นความเสี่ยงที่พบบ่อยที่สุด: ทั้งไม่รู้ "ดีแค่ไหนถึงจะดี" และไม่รู้ "แย่แค่ไหนควรทิ้ง" ข้อสรุปจึงทนต่อการ追问ไม่ได้
- พื้นฐานระดับเดียวกันหรือไม่? งบประมาณเท่ากันหรือไม่? seed รันซ้ำหลายครั้งหรือไม่? เงื่อนไขพลังการคำนวณสอดคล้องหรือไม่? การทดสอบทางสถิติเหมาะสมหรือไม่? ลองคิด: เปลี่ยน seed สุ่ม ข้อสรุปของคุณยัง成立ไหม?

> **เป้าหมายหน้า**
>
> เข้าใจว่าในการวิจัยที่ AI ช่วย หน้าที่หลักของนักวิจัยเลื่อนจาก "เขียน implementation ด้วยมือ" เป็น "ตั้งคำถามสำคัญ นิยามเกณฑ์การประเมิน ตัดสินหลักฐานอย่างวิพากษ์" หน้านี้ใช้ radar chart ความสามารถและคำถามสำคัญสามประเภท来说明จุดลงมือที่เป็นรูปธรรมของการเปลี่ยนกรอบคิดนี้
>
> ลำดับการบรรยายและประเด็น:
>
> ในอดีตวัดความสามารถจาก "เขียน implementation ด้วยมือได้หรือไม่"; ปัจจุบันโค้ดและสคริปต์การทดลอง AI ผลิตได้เร็ว สิ่งที่หายากจริงคือตั้งคำถามสำคัญ นิยามการประเมินและเกณฑ์การเปรียบเทียบที่เป็นธรรม และตัดสินหลักฐานที่ AI ผลิตอย่างวิพากษ์ radar chart เปรียบเทียบ "นักวิจัยแบบดั้งเดิม" กับ "นักวิจัย AI Native": อย่างแรกเน้นการเขียนโค้ด implementation อย่างหลังโดดเด่นกว่าในการนิยามปัญหา การออกแบบการประเมิน การเปรียบเทียบที่เป็นธรรม การ判断เชิงวิพากษ์และรสนิยมทางวิทยาศาสตร์ สอดคล้องกับ "AI หาคำตอบ มนุษย์ควบคุมทิศทาง"
>
> เมื่อต้นทุน implementation ถูกลดลง บทบาทนักวิจัยเลื่อนจาก "ผู้ implementation" เป็นผู้นิยามปัญหา ผู้ออกแบบการทดลองและผู้ชี้ขาดหลักฐาน ผู้นิยามปัญหา判断ปัญหาประเภทใดมีคุณค่าทางวิทยาศาสตร์; ผู้ออกแบบการทดลองเปลี่ยนความคิดคลุมเครือเป็นโปรโตคอลการทดลองที่รันได้ ทำซ้ำได้ เปรียบเทียบได้; ผู้ชี้ขาดหลักฐานสงสัยกราฟ ตัวชี้วัดและข้อสรุป追问ขอบเขตความเชื่อถือและเงื่อนไขความล้มเหลว
>
> 3. คำถามสำคัญสามประเภทที่มนุษย์ต้องตอบ:
>
> สิ่งที่ต้องเปลี่ยนคือพารามิเตอร์ optimize implementation โปรแกรม โครงสร้างอัลกอริทึม หรือ processus การวิจัยเอง? ระดับต่างกัน ความหมายของข้อสรุปต่างกันสิ้นเชิง
>
> ตัวชี้วัด สัญญาณตัวแทน 门槛การยอมรับ เกณฑ์ความล้มเหลว สี่อย่างขาดไม่ได้ การตั้งตัวชี้วัดหลักแค่ตัวเดียวทำให้ไม่รู้ทั้ง "ดีแค่ไหนถึงจะดี" และ "แย่แค่ไหนควรทิ้ง"
>
> พื้นฐาน งบประมาณ ความสุ่ม เงื่อนไขพลังการคำนวณและการทดสอบทางสถิติสอดคล้องกันหรือไม่ การเปรียบเทียบที่ไม่สอดคล้องมักอ่านความผันผวนสุ่มหรือข้อได้เปรียบพลังการคำนวณเป็นความก้าวหน้าอัลกอริทึม
>
> AI สามารถสร้าง方案 "รันได้" จำนวนมาก แต่ทำได้ไม่เท่ากับมีคุณค่า Taste matters — ในการ判断方案ที่รันได้จำนวนมากว่าปัญหาใด สมมติฐานใด หลักฐานใดมีคุณค่าทางวิทยาศาสตร์จริง จุด重心ความสามารถเปลี่ยนจากความเร็วเขียนโค้ดเป็นความคิดเชิงวิพากษ์ นามธรรมระบบ การ判断โดเมนและการแบ่งงานมนุษย์-เครื่อง
>
> งาน类型 EvoX / MetaDE AI ผลิตตัวแปรตัวดำเนินการกลายพันธุ์หลายสิบและสคริปต์การทดลอง配套ได้ในหนึ่งวัน แต่นักวิจัยต้องตัดสินว่าปรับปรุงตัวดำเนินการกลายพันธุ์ optimize กระบวนการประเมิน หรือ重构พื้นที่การค้นหา และตั้งตัวชี้วัดหลายวัตถุประสงค์และ基準ที่เป็นธรรมตามสิ่งนี้; มิฉะนั้นได้ผลลัพธ์ "รันได้" ไม่ใช่ความรู้ที่เชื่อถือได้
>
> การเปลี่ยนกรอบคิด ผู้นิยามปัญหา ผู้ออกแบบการทดลอง ผู้ชี้ขาดหลักฐาน วัตถุที่เปลี่ยน การประเมินผลตอบกลับ การเปรียบเทียบที่เป็นธรรม Taste matters AI หาคำตอบ/มนุษย์ควบคุมทิศทาง

> **线索วัสดุ**
>
> - radar chart หกมิติ — การเขียนโค้ด implementation การนิยามปัญหา การออกแบบการประเมิน การเปรียบเทียบที่เป็นธรรม การ判断เชิงวิพากษ์ รสนิยมทางวิทยาศาสตร์
> - ความแตกต่างระหว่างนักวิจัยแบบดั้งเดิมกับนักวิจัย AI Native รวมศูนย์ที่มิติใด?

**การจัดการแบบฝึกหัด**

ตัวเลือกที่ถูกต้องคือ "จาก 'ผู้ implementation' 转向 'ผู้นิยามปัญหา ผู้ออกแบบการทดลองและผู้ชี้ขาดหลักฐาน'" ประเด็นผลตอบกลับ: ขั้นตอน implementation AI รับได้มาก สิ่งที่หายากคือ判断ปัญหาใดคุ้มค่าตอบ หลักฐานใดคุ้มค่าเชื่อ

สิ่งที่จะเปลี่ยนคือ optimize พารามิเตอร์ เขียนโปรแกรมใหม่ ปรับโครงสร้างอัลกอริทึม หรือ重构กระบวนการวิจัย" ประเด็นผลตอบกลับ: ถามระดับการเปลี่ยนแปลงก่อน แล้วค่อยพูดว่าผลลัพธ์ดีหรือไม่; ระดับไม่ชัด อธิบายไม่ได้ว่าการปรับปรุงเชื่อถือได้หรือไม่

ตัวเลือกที่ถูกต้องคือ "ตัวชี้วัด สัญญาณตัวแทน 门槛การยอมรับและเกณฑ์ความล้มเหลว" ประเด็นผลตอบกลับ: สี่อย่างนิยามวิธีการสังเกต สัญญาณประมาณ เกณฑ์ผ่านและเงื่อนไขความล้มเหลว ขาดไม่ได้

ตัวเลือกที่ถูกต้องคือ "พื้นฐาน งบประมาณ ความสุ่ม เงื่อนไขพลังการคำนวณและการทดสอบทางสถิติ" ประเด็นผลตอบกลับ: เหล่านี้เป็นตัวแปรควบคุมของการเปรียบเทียบที่เป็นธรรม; ไม่สอดคล้องจะอ่านความผันผวนสุ่มหรือข้อได้เปรียบพลังการคำนวณเป็นความก้าวหน้าอัลกอริทึม

ตัวเลือกที่ถูกต้องคือ "判断ควรเปลี่ยนตัวดำเนินการกลายพันธุ์ กระบวนการประเมินหรือพื้นที่การค้นหา และตั้งตัวชี้วัดหลายวัตถุประสงค์และ基準ที่เป็นธรรมตามสิ่งนี้" ประเด็นผลตอบกลับ: การ判断เชิงทิศทางและเชิงประเมินแสดงรสนิยมทางวิทยาศาสตร์ จึงเปลี่ยน "รันได้" เป็น "ความรู้ที่เชื่อถือได้"

การจัดการกรณีศึกษา:

ระดับพารามิเตอร์ (ความเข้มกลายพันธุ์) ระดับตัวดำเนินการ (แทนที่ตัวดำเนินการกลายพันธุ์) ระดับโครงสร้าง (重构แกนอัลกอริทึม) หรือระดับกระบวนการ (กระบวนการประเมินและเลือก) การประเมินผลตอบกลับ: ตัวชี้วัดหลักและสัญญาณตัวแทน (เช่น hypervolume จำนวนการประเมินที่ต้องใช้ในการลู่เข้า) 门槛การยอมรับ (ระดับการปรับปรุงเทียบพื้นฐาน) เกณฑ์ความล้มเหลว (แย่กว่าพื้นฐานอย่างมีนัยสำคัญหรือความแปรปรวนใหญ่เกินไปจึงทิ้ง)

พื้นฐานเดียวกัน งบประมาณการประเมินสอดคล้อง; ตรึงและรัน seed สุ่มซ้ำหลายครั้ง; เงื่อนไขพลังการคำนวณเดียวกัน; การทดสอบทางสถิติที่เหมาะสม (เช่น การทดสอบอันดับ) ผลจากการเพิกเฉย: อ่านความผันผวนสุ่มหรือปันผลพลังการคำนวณเป็นความก้าวหน้าอัลกอริทึม สุดท้ายได้ผลลัพธ์ "รันได้" เท่านั้น

**ตรวจสอบความเข้าใจ**

ให้นักเรียนตอบด้วยประโยคเดียว — "ระดับที่เปลี่ยนครั้งนี้คือพารามิเตอร์ โปรแกรม โครงสร้างอัลกอริทึม หรือกระบวนการวิจัย?" และอธิบายว่าทำไมระดับ说不清 ผลลัพธ์后续ยากต่ออธิบาย สามารถให้นักเรียนทวนชุดสี่ของการประเมินผลตอบกลับและรายการตรวจสอบตนเองของการเปรียบเทียบที่เป็นธรรม

> **คำใบ้การเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถแยกคำถามสำคัญสามประเภท วัตถุที่เปลี่ยน การประเมินผลตอบกลับและการเปรียบเทียบที่เป็นธรรม และเข้าใจการเลื่อนบทบาทนักวิจัยแล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่าง การประยุกต์ หรือการขยายวิวัฒนาการวิธีวิทยาเพิ่มเติม

<a id="lecture-page-15"></a>

### สร้างโครงสร้างพื้นฐานวิวัฒนาการที่พัฒนาอย่างยั่งยืน

*หน้า 15*

> **เป้าหมายหน้า:** ผู้เรียนควรเข้าใจตำแหน่งของ EvoX ในฐานะโครงสร้างพื้นฐานในการเชื่อมโลกจริงกับวิวัฒนาการระยะยาว

> **เป้าหมายหน้า**
>
> เข้าใจว่า EvoX ไม่ใช่ตัวแก้ครั้งเดียว แต่เป็นโครงสร้างพื้นฐานเปิดที่เชื่อมโลกจริงกับวิวัฒนาการระยะยาว

> **ลำดับการบรรยาย**
>
> เปรียบเทียบ "ตัวแก้ครั้งเดียว" กับ "โครงสร้างพื้นฐานระยะยาว" ก่อน การ optimize แบบดั้งเดิม面对基準สถิต รันครั้งเดียวได้คำตอบก็จบ; โลกจริงเปลี่ยนตลอด เป้าหมาย漂移 ข้อจำกัดอัปเดต ค่าใช้จ่ายการประเมินสูงและผลตอบกลับล่าช้า จึงต้องมีฐานที่รันระยะยาวได้ ใช้ซ้ำได้ ขยายได้
>
> เชื่อมโลกจริง เข้าถึงสภาพแวดล้อมและผลตอบกลับจริง; สนับสนุนวิวัฒนาการระยะยาว สร้างตัวเลือกต่อเนื่อง ตรวจสอบผล ตกตะกอนการปรับปรุง; 面向ปัญหาการเปลี่ยนแปลงที่ซับซ้อน รับมือสถานการณ์พลวัต ความขัดแย้งหลายวัตถุประสงค์และการสำรวจต่อเนื่อง; เปิดและยั่งยืน 承载อัลกอริทึม ปัญหา runtime และกลไกผลตอบกลับด้วยความสามารถสาธารณะ
>
> รันต่อเนื่อง—ตรวจสอบ—เก็บ—วิวัฒนาการใหม่ ระบบสร้างตัวเลือกต่อเนื่องและติดตั้งในสภาพแวดล้อมจริง สภาพแวดล้อมส่งสัญญาณการประเมินกลับ ตัวเลือกที่มีประสิทธิผลและการปรับปรุงถูกเก็บตกตะกอน เมื่อเป้าหมายและสภาพแวดล้อมเปลี่ยน ดำเนินการจัดตารางการสำรวจใหม่บนฐานเดียวกัน
>
> เชื่อมการจำลองทางวิศวกรรมที่มีต้นทุนสูงหรืองานหุ่นยนต์เข้า EvoX รับสัญญาณการประเมินต่อเนื่องและเก็บตัวเลือกที่มีประสิทธิผล; อัลกอริทึม ตัวดำเนินการ runtime และกลไกผลตอบกลับไม่ต้องรื้อใหม่ แต่ขยายและบำรุงรักษาเหมือนท่อ管网เมือง

**ประเด็นการสอน**

- จุดเน้นการเรียนรู้ควรอยู่ที่อินเทอร์เฟซ การจัดตาราง วงปิดผลตอบกลับและกลไกการตกตะกอนผลงาน ไม่ใช่จ้องอัลกอริทึมใดอัลกอริทึมหนึ่ง ขาดขั้นใดขั้นหนึ่ง ระบบ退化เป็นตัวแก้ครั้งเดียว สะสมการปรับปรุงระยะยาวไม่ได้ เมื่อสภาพแวดล้อมหรือเป้าหมายเปลี่ยน ตรวจสอบก่อนว่าโมดูลปัญหาและกลไกผลตอบกลับใช้ซ้ำได้หรือไม่ แล้วค่อยตัดสินว่าเปลี่ยนอัลกอริทึมหรือไม่ หลีกเลี่ยงสร้าง pipeline ทั้งหมดจากศูนย์ สามารถใช้แผนภาพเน้นความสัมพันธ์แบบวงของสภาพแวดล้อมจริง โครงสร้างพื้นฐานเปิด EvoX การจัดตารางอัลกอริทึมและ runtime การตกตะกอนผลงานการปรับปรุงระยะยาว

> **线索แบบฝึกหัด**
>
> - คำถามแบบเลือกตอบ围绕ตำแหน่งโครงสร้างพื้นฐาน ลำดับวงปิด การเชื่อมโลกจริง ข้อได้เปรียบการใช้ซ้ำเมื่อสภาพแวดล้อมเปลี่ยน ลักษณะเปิดและยั่งยืน ผลตอบกลับจับ: โลกจริงเปลี่ยนตลอด
> - วงปิดเริ่มจากการรันต่อเนื่อง
> - ต้องเข้าถึงผลตอบกลับจริง ไม่ใช่แค่จำลอง
> - เมื่อเปลี่ยนจัดตารางต่อและใช้ซ้ำบนฐานเดียวกัน
> - ความสามารถสาธารณะควรขยายได้ ใช้ซ้ำได้ 延续ได้ เครื่องจำลองและแพลตฟอร์มทดลองหุ่นยนต์เข้าเป็นสภาพแวดล้อมจริง สร้างตัวเลือกกลยุทธ์ควบคุมต่อเนื่อง เก็บสัญญาณการประเมินเช่นการใช้พลังงาน ความแม่นยำ การปรับตัว เก็บการปรับปรุงที่มีประสิทธิผล แล้วเข้าสู่วิวัฒนาการรอบใหม่ ถ้าเป้าหมายเปลี่ยนเป็น optimize หลายวัตถุประสงค์ที่兼顾ความแม่นยำและการใช้พลังงาน ชั้นอัลกอริทึมเปลี่ยนเป็นอัลกอริทึมวิวัฒนาการหลายวัตถุประสงค์ โมดูลปัญหาแก้ฟังก์ชันเป้าหมายและข้อจำกัด กลไกผลตอบกลับขยายช่องการประเมิน การจัดตาราง runtime รันต่อบนฐานเดียวกัน

**ตรวจสอบความเข้าใจ**

ให้นักเรียนอธิบายด้วยคำพูดตัวเองว่า "ทำไมต้องมีโครงสร้างพื้นฐานไม่ใช่ตัวแก้" แล้วทวนวงปิดสี่ขั้น ถ้านักเรียนพูดได้ว่า EvoX เป็นฐาน วงปิดสะสมได้ เมื่อเปลี่ยนใช้ซ้ำก่อนแล้วค่อยเปลี่ยนอัลกอริทึม ก็เข้าสู่หน้าถัดไปได้

<a id="lecture-page-16"></a>

### สรุปและ展望: มุ่งสู่รูปแบบความฉลาดระดับที่สูงขึ้น

*หน้า 16*

> **เป้าหมายหน้า:** ผู้เรียนควรทบทวนกลไกรวมของวิวัฒนาการวิธีวิทยา เข้าใจความหมายสำคัญที่ขับเคลื่อนระบบอัจฉริยะสู่วิวัฒนาการตัวเอง

> **เป้าหมายหน้า**
>
> ทบทวนกลไกรวมของวิวัฒนาการวิธีวิทยา เข้าใจว่ามันขับเคลื่อนระบบอัจฉริยะจาก "หาคำตอบ" ไปสู่ "ปรับปรุงวิธีการ" และมุ่งสู่รูปแบบวิวัฒนาการอัตโนมัติระดับที่สูงขึ้นอย่างไร

**ประเด็นการสอน**

- หน้านี้สามารถจับด้วยสูตรเดียว — "พื้นที่คำตอบ → พื้นที่วิธีการ" เกณฑ์การตัดสินคือ: วัตถุที่ถูกวนซ้ำปัจจุบันคือ "คำตอบ" หรือ "วิธีการสร้างคำตอบ"? เมื่อคำตอบกลายเป็นอย่างหลัง ก็เข้าสู่วิวัฒนาการวิธีวิทยา การวิวัฒนาการชั้นในค้นหาคำตอบของปัญหาที่กำหนดในพื้นที่คำตอบ ใช้วิธีการปัจจุบันให้เต็มที่ ผลิตคำตอบตัวเลือกและผลการประเมิน
- การวิวัฒนาการชั้นนอกใช้ผลตอบกลับงานปรับปรุงวิธีการแก้ปัญหาในพื้นที่วิธีการ วัตถุการค้นหาเปลี่ยนเป็นอัลกอริทึม ตัวดำเนินการ หรือโครงสร้าง ทิศทางวงปิดคือ: ผลตอบกลับงานจากชั้นในไปชั้นนอก การอัปเดตวิธีการจากชั้นนอกกลับชั้นใน วิธีนี้คุณภาพคำตอบกลายเป็นสัญญาณการประเมินของชั้นนอก วิธีการที่ปรับปรุงแล้วกลับไปชั้นใน เกิดวงปิดต่อเนื่องจากพื้นที่คำตอบไปพื้นที่วิธีการ วิวัฒนาการวิธีวิทยาจะลงมือจริงต้องจัดระเบียบประชากร ผลการประเมินและสถานะอัลกอริทึมเป็นเทนเซอร์ที่คำนวณได้ทั้งหมด และจัดตารางพลังการคำนวณต่างประเภทบนสิ่งนี้ EvoX ผ่านการคำนวณแบบทำเทนเซอร์และสถาปัตยกรรมฐาน统一 แยก "วิธีการวิวัฒนาการ" กับ "วิธีการจัดตารางอย่างมีประสิทธิภาพ" ทำให้วิวัฒนาการวิธีวิทยาและวิวัฒนาการต่อเนื่องระดับระบบมีพื้นฐานทางวิศวกรรม ขับเคลื่อนระบบอัจฉริยะจาก "หาคำตอบ" ไปสู่ "ปรับปรุงวิธีการ" 乃至วิวัฒนาการอัตโนมัติระดับที่สูงขึ้น MetaDE MetaDE ใช้ DE ชั้นในแก้ปัญหา ใช่วิวัฒนาการชั้นนอกราค้นหาการตั้งค่าหรือโครงสร้างของ DE ให้ "วิธีการแก้ปัญหาเอง" เข้าร่วมการวนซ้ำ สิ่งที่มันค้นหาไม่ใช่คำตอบของปัญหาหนึ่ง แต่กลไกที่สร้างคำตอบ เป็นการแสดงออก直观ของการก้าวจากพื้นที่คำตอบไปพื้นที่วิธีการ รูปแบบความฉลาดระดับที่สูงขึ้น ไม่ใช่ได้ optimum ครั้งเดียว แต่คือสามารถผลิตวิธีการที่แข็งแกร่งกว่าและความสามารถระบบที่แข็งแกร่งกว่าอย่างต่อเนื่องได้หรือไม่ กุญแจขั้นต่อไปคือทำให้วงปิดชั้นใน-ชั้นนอกเสถียรกว่า迁移ได้กว่า และสนับสนุน范式การวิจัย AI Native บนฐานเช่น EvoX ความเข้าใจผิดที่พบบ่อย: ชั้นในราค้นหา "คำตอบของปัญหาที่กำหนด" ชั้นนอกราค้นหา "อัลกอริทึม ตัวดำเนินการหรือโครงสร้าง" ทิศทางผลตอบกลับงานคือใน→นอก ทิศทางการอัปเดตวิธีการคือ นอก→ใน อย่าสับสนวิวัฒนาการวิธีวิทยากับการปรับพารามิเตอร์ทั่วไป ถ้าระบบแค่ค้นหาคำตอบที่ดีกว่าในพื้นที่คำตอบคงที่ ไม่เปลี่ยนวิธีการแก้ปัญหาเอง ก็ไม่ใช่วิวัฒนาการวิธีวิทยา เมื่อไม่แน่ใจว่าระบบเป็นวิวัฒนาการวิธีวิทยาหรือไม่ ดูว่ามันค้นหา "วิธีการสร้างคำตอบ" ด้วยหรือไม่ ถ้าใช่ มันกำลังทำวิวัฒนาการวิธีวิทยา
- มิฉะนั้นเป็นแค่การปรับพารามิเตอร์ทั่วไป

> **线索แบบฝึกหัด**
>
> - ให้นำอัลกอริทึม ตัวดำเนินการ โครงสร้างหรือกลยุทธ์等方法การแก้ปัญหาเองเป็นวัตถุที่ถูกวนซ้ำและปรับปรุง ถ้าเลือกผิด ต้องแยก "หาคำตอบที่ดีกว่าในพื้นที่คำตอบ" กับ "ให้วิธีการเองเข้าร่วมการวนซ้ำ" ชั้นในราค้นหาคำตอบในพื้นที่คำตอบ ชั้นนอกใช้ผลตอบกลับงานปรับปรุงวิธีการแก้ปัญหา คือพื้นที่วิธีการ ทิศทางผลตอบกลับใน→นอก ทิศทางการอัปเดตนอก→ใน มอบการคำนวณแบบทำเทนเซอร์และฐาน统一 ทำให้วิวัฒนาการวิธีวิทยาและวิวัฒนาการต่อเนื่องระดับระบบมีพื้นฐานทางวิศวกรรม
> - กุญแจคือจัดระเบียบประชากร การประเมินและสถานะเป็นเทนเซอร์ที่คำนวณได้ทั้งหมด และแยก "วิธีการวิวัฒนาการ" กับ "วิธีการจัดตาราง" ใช้วัฒนาการชั้นนอกราค้นหาการตั้งค่าหรือโครงสร้างของ DE ให้วิธีการแก้ปัญหาเองเข้าร่วมการวนซ้ำ จึงสะท้อนการก้าวจากพื้นที่คำตอบไปพื้นที่วิธีการ ควรอธิบายว่าผลิตวิธีการที่แข็งแกร่งกว่าและความสามารถระบบที่แข็งแกร่งกว่าอย่างต่อเนื่อง ไม่ใช่ไล่ตาม optimum ครั้งเดียว เมื่อตอบถูก เน้นว่าเชื่อมโยงแนวคิดของหน้านี้และอธิบายเกณฑ์ได้
> - เมื่อตอบไม่ถูก กลับไปที่การบรรยายของหน้า หาหลักฐานหรือตัวอย่างสำคัญแล้วค่อย判断 面向ปัญหาการจัดตารางการผลิตสร้างระบบ optimize ที่ "ปรับปรุงตัวเองได้" ชั้นในใช้ DE ค้นหา方案การจัดตาราง ชั้นนอกใช้ผลตอบกลับงานเป็นสัญญาณ ค้นหาการตั้งค่าตัวดำเนินการ พารามิเตอร์และโครงสร้างของ DE บทบาทของผลตอบกลับงานคือแปลประสิทธิภาพในพื้นที่คำตอบเป็นทิศทางการปรับปรุงในพื้นที่วิธีการ: ถ้าคุณภาพคำตอบดีขึ้น เก็บและเสริมการตั้งค่าวิธีการปัจจุบัน
> - ถ้าคุณภาพคำตอบหยุดหรือ退化 สำรวจการรวมตัวดำเนินการหรือการปรับโครงสร้างใหม่ การประเมินว่าก้าวสู่วิวัฒนาการอัตโนมัติระดับที่สูงขึ้นหรือไม่ ตั้งตัวชี้วัดสามประเภท: ตัวชี้วัดระดับวิธีการดูว่าวิธีการถูกปรับปรุงต่อเนื่องหรือไม่
> - ตัวชี้วัดการ迁移ดูประสิทธิภาพการปรับตัวบนงานที่ไม่เคยเห็น
> - ตัวชี้วัดความเป็นอัตโนมัติดูว่าภายใต้การแทรกแซงของมนุษย์ต่ำสามารถค้นพบการรวมตัวดำเนินการที่มีประสิทธิผลหรือการปรับโครงสร้างที่ทำซ้ำได้หรือไม่ รวมสามอย่าง ถ้าวิธีการแข็งแกร่งขึ้นต่อเนื่อง 迁移ได้ และปรับปรุงตัวเองได้ด้วยการแทรกแซงต่ำ สามารถ判断ว่าระบบกำลังก้าวสู่รูปแบบวิวัฒนาการอัตโนมัติระดับที่สูงขึ้น

**ตรวจสอบความเข้าใจ**

ให้นักเรียนทวนด้วยคำพูดตัวเองถึงความหมายของ "พื้นที่คำตอบ → พื้นที่วิธีการ" และเลือกระบบหนึ่ง来判断ว่ามันกำลังทำวิวัฒนาการวิธีวิทยาหรือไม่

> **คำใบ้การเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถอธิบายการแบ่งงานชั้นใน-ชั้นนอก ทิศทางวงปิดและความหมายเปรียบเทียบของ MetaDE ได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่าง การประยุกต์ หรือสรุป

--- สิ้นสุดข้อความต้นฉบับ ---