Thuật toán tiến hóa vi phân (DE) truyền thống để nhà nghiên cứu đặt trước chiến lược đột biến và các tham số điều khiển then chốt, rồi giữ nguyên trong suốt quá trình tìm kiếm. Bước chuyển cốt lõi của MetaDE là:coi chính cấu hình của thuật toán cũng là đối tượng được tiến hóa——tầng ngoài tiến hóa tìm kiếm trong không gian thuật toán, tầng trong đánh giá biểu hiện trong không gian lời giải, từ đó chuyển «cách tiến hóa» từ đặt trước thủ công sang tìm kiếm thích nghi.
Cấu trúc hai tầng: tầng ngoài tìm thuật toán, tầng trong giải bài toán
- Tầng trong: quá trình giải thông thường của tiến hóa vi phân trên bài toán tối ưu gốc, chịu trách nhiệm đưa ra biểu hiện thực tế của bài toán.
- Tầng ngoài: lấy một cấu hình thuật toán DE làm một cá thể, thực hiện chọn lọc, lai ghép, đột biến và loại bỏ trên không gian cấu hình.
Không được lẫn lộn trách nhiệm của hai tầng: đối tượng tối ưu của tầng ngoài làcấu hình thuật toán, còn đối tượng tối ưu của tầng trong làlời giải bài toán. Cái trước quyết định «tìm kiếm thế nào», cái sau quyết định «tìm được tốt đến đâu».
Tầng ngoài tiến hóa cái gì
Một cá thể tầng ngoài mã hóa không phải vài con số, mà là cả một bộ hành vi thuật toán: chiến lược đột biến (rand/1, best/1, current-to-best/1, v.v.), cách lai ghép (lai ghép nhị thức, lai ghép hàm mũ), cùng các tham số điều khiển như hệ số tỷ lệ F, xác suất lai ghép CR, kích thước quần thể. Sự khác biệt giữa các cá thể chính là những xu hướng hành vi khác nhau của cùng một họ thuật toán dưới các đặc tính bài toán khác nhau.
Vòng lặp kiểm nghiệm: cấu hình ứng viên phải chạy thật một lần
Mỗi cấu hình ứng viên đều không thể quyết định giữ hay loại chỉ dựa vào chỉ số meta hay phán đoán tiên nghiệm, mà phải được đưa vào bài toán gốc để chạy thực tế, chịu sự kiểm nghiệm của biểu hiện thực tế; tầng ngoài sau đó dựa trên độ thích nghi phản hồi từ tầng trong để thực hiện chọn lọc, loại bỏ và giữ lại, quyết định cấu hình nào được kế thừa và lan truyền. Từ đó hình thành vòng lặp lặp lại «sinh cấu hình → kiểm nghiệm bài toán → phản hồi chọn lọc», độ thích nghi tầng ngoài chỉ có thể đến từ kết quả chạy thực tế của tầng trong.
Khác biệt so với DE cố định
Chiến lược và tham số của DE truyền thống do nhà nghiên cứu đặt trước và cố định suốt quá trình; MetaDE giao quyền quyết định này cho tầng tiến hóa ngoài, giúp thuật toán có khả năng thích nghi với đặc tính bài toán——chẳng hạn giai đoạn đầu tìm kiếm ưu tiên rand/1 có tính khám phá mạnh hơn cùng F lớn hơn, giai đoạn sau chuyển sang best/1 hội tụ nhanh hơn cùng F nhỏ hơn.
Chi phí và tiền đề
Mỗi cấu hình ứng viên đều phải chạy trọn vẹn một lần bài toán tầng trong (thường còn cần chạy độc lập nhiều lần rồi lấy trung bình để giảm tính ngẫu nhiên), chi phí đánh giá tăng gấp bội theo kích thước quần thể tầng ngoài và số thế hệ. Vì vậy MetaDE phụ thuộc mạnh vào nền tảng kỹ thuật như song song hóa, tensor hóa và lập lịch runtime——đây chính là lý do kỹ thuật khiến nó cần được xây dựng trên một Runtime tensor hóa.
Định vị: MetaDE là bước hiện thực hóa cụ thể «cơ chế tiến hóa và thích nghi hai tầng trong-ngoài» từ tư tưởng thành kiến trúc khả thi, đồng thời cung cấp mô thức phương pháp cho việc tiến hóa cấu trúc thuật toán tiếp theo (AutoPSO, EvoGO).
Cấu trúc hai tầng MetaDE và quy trình kiểm nghiệm bài toánHình minh họa quy trình hai tầng của MetaDE: tầng ngoài lấy cả một bộ cấu hình DE làm cá thể để chọn lọc, lai ghép, đột biến và loại bỏ; cấu hình ứng viên phải được đưa vào bài toán gốc ở tầng trong để chạy thực tế, thường chạy độc lập nhiều lần rồi lấy độ thích nghi trung bình, sau đó phản hồi để quyết định giữ lại và lan truyền. Như vậy, các thiết lập như chiến lược đột biến, cách lai ghép cùng F, CR được chuyển từ đặt trước thủ công sang tìm kiếm thích nghi.
