方法演化的核心思想與跨越

前面的課程把演化過程組織為可整體計算的張量，解決了大規模候選評價的效率問題。這一頁要再向前跨一步：如果優化的對象不只是候選答案，而是產生候選答案的方法，會發生什麼？方法演化（Meta-Evolution）的核心跨越，就是把「產生候選解的方法」本身轉化為優化對象：不再只演化答案，而是演化生成與改進答案的演算法、策略或算子，使演算法從固定工具轉變為持續進化的求解器。

一、從「演化答案」到「演化方法」

傳統路徑可以寫成一個單路鏈條：問題 → 固定演算法 → 候選解。研究者先選定演算法或算子，再讓演算法在問題空間裡搜尋，演算法本身不會改變。方法演化把鏈條改寫為：問題族/環境 → 可演化方法空間 → 候選生成器 → 候選解評價 → 方法更新 → 再生成。優化變量從解 x 擴展到方法、算子、超啟發式規則或候選生成過程 m。這裡的「方法」可以是差分演化中的變異策略、粒子群中的慣性權重與拓撲、局部搜尋算子，也可以是更上層的演算法選擇與調度規則。

二、五個關鍵轉變

• 演化對象擴展：從解、參數、結構，擴展到方法、算子、超啟發式規則或候選生成過程。
• 問題重述：優化問題由「在給定演算法下找最優解」變為「在任務或環境中演化出更會找解的求解器」。
• 回饋關係：方法產生候選並接受任務評價，評價結果反過來驅動方法的變異、選擇與重組，形成方法層與解層之間的持續回饋。
• 評價標準遷移：方法優劣不只看單次最優，而看跨任務、跨環境的泛化、魯棒性、多樣性與計算成本。
• 角色轉變：研究者不再只設計固定流程，而是設計可演化方法空間、回饋信號與選擇機制。

三、回饋閉環為什麼關鍵

方法層與解層不是兩個獨立的優化循環。方法層生成一個候選生成器，解層用它在具體任務上產生候選並得到評價；這些評價經過聚合或信用分配後，回到方法層，驅動方法本身的變異、選擇和重組。若回饋信號太稀疏或只獎勵短期最優，方法層容易過擬合到單個任務；若回饋信號包含跨任務泛化與多樣性，方法層才能學到「更會找解」的元策略。這裡可以理解為在方法空間上又開了一層演化搜尋，但它的評價離不開解層的真實表現。

四、概念基座：MetaDE 與 AutoPSO

方法演化不是停留在口號。MetaDE 讓差分演化的策略、參數甚至算子組合成為可演化對象；AutoPSO 則把粒子群的結構、參數或拓撲納入自動搜尋。它們共享同一個出發點：把「產生候選的方法」納入優化對象，實現演算法的自我進化。本頁先建立統一概念基座，具體架構與演算法結構演化將在後續展開。