กระบวนการปรับเหมาะแบบดั้งเดิมมุ่งความสนใจทั้งหมดไปที่ปริภูมิคำตอบ: กำหนดชุดค่าตั้งต้นของ Differential Evolution (DE) ไว้คงที่ ได้แก่ กลยุทธ์การกลายพันธุ์ อัตราการคrossover CR ตัวคูณสเกล F และขนาดประชากร NP แล้ววนซ้ำเพื่อเข้าใกล้คำตอบที่เหมาะที่สุดของปัญหา แต่ยังมีคำถามหนึ่งที่ค้างคาเสมอ:แล้วใครเป็นคนเลือกค่าตั้งต้นชุดนี้เอง?คำตอบของ MetaDE คือการมอง "วิธีที่ใช้สร้างคำตอบที่เป็นไปได้" ให้เป็นวัตถุที่ถูกวิวัฒนาการด้วย: ห่อชั้นอัลกอริทึมวิวัฒนาการอีกชั้นไว้ด้านนอก เพื่อค้นหาค่าตั้งต้นของอัลกอริทึมที่ดีกว่าโดยเฉพาะ จึงเกิดเป็นวงจรการปรับเหมาะสองชั้นแบบปิดที่ "ปรับปรุงอัลกอริทึมวิวัฒนาการด้วยอัลกอริทึมวิวัฒนาการ"
ชั้นในและชั้นนอก: แบ่งหน้าที่กันอย่างไร
- ชั้นใน: รับชุดค่าตั้งต้น DE ที่เฉพาะเจาะจง รันการแก้ปัญหาแบบเต็มรูปแบบหนึ่งครั้งบนงานจริง สร้างคำตอบที่เป็นไปได้ และคืนค่าประเมินประสิทธิภาพที่เปรียบเทียบได้
- ชั้นนอก: เข้ารหัสค่าตั้งต้น ไฮเปอร์พารามิเตอร์ หรือชุดกลยุทธ์ของ DE ให้เป็นปัจเจก ใช้ประสิทธิภาพของงานเป็นค่าความเหมาะสม และใช้ อัลกอริทึมวิวัฒนาการ (คัดเลือก รวมสายพันธุ์ กลายพันธุ์) เพื่ออัปเดตค่าตั้งต้นรุ่นถัดไป
การเปลี่ยนเป้าหมาย: จาก "หาคำตอบ" สู่ "หาวิธีที่หาคำตอบได้"
MetaDE ไม่ได้เปลี่ยนการทำงานของตัวปรับเหมาะ แต่เปลี่ยนระดับเป้าหมายของการปรับเหมาะ ผลลัพธ์ของ DE แบบดั้งเดิมคือเวกเตอร์คำตอบ ส่วนผลลัพธ์ของ MetaDE คือชุดค่าตั้งต้นของอัลกอริทึมที่สามารถสร้างคำตอบที่ดีกว่าได้อย่างเสถียรบนงานประเภทนี้ กล่าวคือ วัตถุที่ถูกค้นหาขยับจาก "คำตอบ" ขึ้นไปเป็น "เครื่องจักรที่ผลิตคำตอบ" ทำให้ผลลัพธ์จากการค้นหาชั้นนอกครั้งหนึ่งสามารถถ่ายโอนไปใช้ซ้ำกับตัวอย่างอื่นๆ ในกลุ่มเดียวกันได้
วงจรป้อนกลับแบบปิดและเงื่อนไขด้านวิศวกรรม
ระบบทั้งหมดร้อยเรียงกันด้วยวงจรปิดหนึ่งวง: ชั้นนอส่งค่าตั้งต้นลงไป → ชั้นในดำเนินการแก้ปัญหา → ส่งผลประสิทธิภาพกลับ → ชั้นนอกอัปเดตค่าตั้งต้นรุ่นถัดไปจากผลนั้น ข้อควรระวังคือ ปัจเจกหนึ่งตัวของชั้นนอกจะได้ค่าความเหมาะสม ต้องแลกมาด้วยการรันชั้นในแบบเต็มรูปแบบหนึ่งครั้ง (ซึ่งบ่อยครั้งเป็นการรันขนานหลายครั้ง) ดังนั้น การจัดการต้นทุนการประเมิน และ การจัดตารางแบบขนาน จึงเป็นหัวใจของการออกแบบระบบ การที่ GPU สามารถรันงานชั้นในจำนวนมากพร้อมกันได้ คือสิ่งที่ทำให้การปรับเหมาะระดับเมตาที่ "มีต้นทุนการประเมินสูง" เช่นนี้เป็นไปได้ในทางวิศวกรรม
สถาปัตยกรรมการปรับเหมาะสองชั้นของ MetaDEแผนภาพสถาปัตยกรรมนี้แบ่งเป็นสองชั้น ชั้นนอกเข้ารหัสกลยุทธ์การกลายพันธุ์ อัตราการคrossover ตัวคูณสเกล และขนาดประชากรของ Differential Evolution ให้เป็นปัจเจก แล้วอัปเดตด้วยอัลกอริทึมวิวัฒนาการ ชั้นในใช้ค่าตั้งต้นชุดนี้แก้ปัญหาบนงานจริงแบบเต็มรูปแบบ แล้วส่งผลประสิทธิภาพของงานกลับเป็นค่าความเหมาะสมของชั้นนอก เกิดเป็นวงจรการปรับเหมาะแบบปิดที่มีต้นทุนการประเมินสูง
