MetaDE：演算法優化演算法的巢狀架構

在上一講中，演化系統依靠「生成—評價—選擇—繼承」的閉環不斷累積能力。本講把這一思想再向內推進一層：不只是讓演算法去解題，而是讓演算法去改進演算法。MetaDE 正是這樣一種巢狀演化架構——它把差分進化（DE）拆分為內外兩層，使「演算法優化演算法」成為可執行的計算過程。

一、兩層分工：誰求解，誰演化

MetaDE 把 DE 組織成內外兩層，兩層的工作對象完全不同：

• 內層 DE（任務層）：面向真實優化任務，維護候選解種群，反覆執行變異、交叉與選擇，逐步逼近任務上的優質解。它回答的是「這道題解得怎麼樣」。
• 外層 DE（元層）：面向演算法本身，種群中的每個個體不是任務解，而是一整套「變異策略 + 參數」的配置，例如採用哪種變異方式、縮放因子與交叉機率取什麼值。它回答的是「這套演算法配置好不好用」。

因此外層並不直接優化任務變數，任務變數始終交由內層處理；外層改變的只是內層的「工作手冊」。

二、互動閉環：配置下發與效能回傳

兩層之間由一條雙向通道耦合，形成閉環：外層先產出一套演算法配置，下發（→）給內層；內層按該配置在任務上運行，結束後把任務表現（→）返回外層；外層據此保留並重組表現更好的配置，再產出下一輪配置。整個流程可概括為：外層配置 → 內層求解 → 任務表現 → 外層更新，循環往復。

這個閉環帶來一個關鍵性質：內層演算法的變異策略與參數不再由人一次性設定後固定不變，而是隨著外層搜尋不斷被改寫，演算法因此獲得了自我改進的通道。

三、可執行的前提：並行與成本權衡

巢狀結構並非沒有代價。每一次外層評估，都要把一套配置完整地在任務上運行一遍，評估成本被明顯放大；外層種群越大，總開銷越高。這正是 MetaDE 依賴 GPU 並行的原因：多套內層配置可以同時評估，外層單次迭代所需時間被顯著壓縮，巢狀元演化才具備工程上的可執行性。反過來說，如果可用的並行資源不足，縮短外層規模或降低內層評估精度，往往比盲目擴大搜尋更現實。