Tiến hóa phương pháp（Meta-Evolution）nâng chính "phương pháp sinh ra ứng viên" lên thành đối tượng được tối ưu: thuật toán không chỉ tìm nghiệm, mà còn phải cải thiện "cách bản thân tìm nghiệm".MetaDE và AutoPSO là hai hiện thực tiêu biểu của tư tưởng này, cả hai chia sẻ cùng một khung xương——kiến trúc hai tầng trong-ngoài: tầng ngoài tìm kiếmkhông gian thuật toán, tầng trong dùng thuật toán ứng viên để giảinhiệm vụ mục tiêu, kết quả tầng trong được truyền ngược lại thành tín hiệu độ thích nghi cho tầng ngoài, thúc đẩy thuật toán tự cải thiện liên tục, tạo thành vòng lặp khép kín.
Trừu tượng hóa tổng quát của kiến trúc hai tầng
- Tầng ngoài (tìm kiếm không gian thuật toán): tìm kiếm siêu tham số, chiến lược và tổ hợp thành phần – tức "định nghĩa của thuật toán". Không gian tìm kiếm của nó không phải không gian nghiệm, mà là không gian cấu hình và cấu trúc thuật toán.
- Tầng trong (giải nhiệm vụ mục tiêu): dùng thuật toán ứng viên do tầng ngoài gửi xuống để thực sự giải nhiệm vụ, thu được hiệu suất có thể đo lường, làm căn cứ đánh giá thuật toán ứng viên đó.
- Vòng tín hiệu: hiệu suất tầng trong được tổng hợp thành độ thích nghi truyền ngược về tầng ngoài, tầng ngoài dựa vào đó loại bỏ cấu hình kém, giữ lại và đột biến cấu hình tốt. Một khi vòng lặp khép kín được thiết lập, việc giải và việc cải thiện cách giải diễn ra đồng thời.
MetaDE: giao cấu hình của DE cho tầng ngoài tiến hóa
MetaDE giữ tiến hóa vi phân làm bộ giải tầng trong, giao cấu hình của chính DE cho tầng ngoài tìm kiếm: lựa chọn chiến lược đột biến, tỷ lệ lai ghép, hệ số tỷ lệ... không còn là hằng số cố định, mà là đối tượng tiến hóa thích ứng theo bài toán và giai đoạn tối ưu. Nó trả lời câu hỏi "bộ cấu hình này nên được thiết lập thế nào ở giai đoạn nhiệm vụ hiện tại", thuộc tiến hóa phương pháp ở tầng cấu hình.
AutoPSO: từ sửa tham số đến sửa cấu trúc thuật toán
AutoPSO coi tham số cốt lõi và cơ chế học của PSO làcác thành phần có thể tổ hợp——trọng số quán tính, hệ số học tập cùng các cách kết hợp khác nhau giữa cơ chế học cá thể và cơ chế học quần thể, được tầng ngoài tự động tìm kiếm và tổ hợp thành các biến thể PSO phù hợp với từng bài toán. So với việc chỉ chỉnh tham số, nó chuyển "chọn thuật toán" thành "tìm kiếm cấu trúc thuật toán", đạt bước nhảy từ tham số tự thích ứng đến cơ chế tự sinh. Hai phương pháp bổ trợ cho nhau: MetaDE thiên về tinh chỉnh tự động ở tầng cấu hình và siêu tham số, AutoPSO thiên về tổ hợp tự động ở tầng cấu trúc và thành phần, cùng bao phủ phạm vi tiến hóa từ tham số tự thích ứng đến cơ chế tự sinh.
Cấu trúc chi phí và phụ thuộc kỹ thuật
Chi phí then chốt của tối ưu hai tầng nằm ở hiệu ứng nhân: mỗi lần tầng ngoài đánh giá một thuật toán ứng viên, thường cần nhiều lượt chạy tầng trong (đánh giá lặp lại do tính ngẫu nhiên, kiểm chứng kết hợp đa nhiệm vụ...), ngân sách tính toán bị khuếch đại đáng kể. Vì vậy bắt buộc phải thực hiệnphân bổ ngân sách,đánh giá gần đúng,dừng sớmhoặcsong song hóavà các cân bằng khác. Về mặt kỹ thuật, thực thi hiệu quả phụ thuộc vào song song hóa dạng tensor, điều phối Runtime và khả năng tổ hợp thuật toán; nếu không, quy mô tìm kiếm của tầng ngoài sẽ bị các đánh giá lặp lại ở tầng trong kéo sập.
Kiến trúc hai tầng trong-ngoài của MetaDEHình minh họa vòng lặp khép kín hai tầng trong-ngoài của MetaDE: tầng ngoài tìm kiếm chiến lược đột biến, tỷ lệ lai ghép và hệ số tỷ lệ trong không gian cấu hình thuật toán, tầng trong dùng các cấu hình này để chạy tiến hóa vi phân giải nhiệm vụ mục tiêu, rồi tổng hợp hiệu suất tầng trong thành độ thích nghi truyền ngược về tầng ngoài, thúc đẩy việc loại bỏ, giữ lại và đột biến cấu hình.
