內外雙層演化將「解決具體任務」與「改進求解方法」解耦為兩個相互作用的演化循環：內層面向任務求解並產生運行表現，外層依據這些表現演化內層演算法的配置與策略，從而形成可自適應的演算法改進機制。它不是把兩個演算法簡單串聯，而是在任務求解層之上增加一個可進化的元層控制，使系統從「人工設定演算法」轉向「演算法自動適配任務」。
內層與外層的職責分工
- 內層職責：解決實際任務，生成候選解、目標值及運行表現數據。它負責「把題做出來」。
- 外層職責：不直接求解原任務，而是演化內層演算法的配置、策略與參數。它負責「把做題方法變好」。
- 回饋閉環：內層任務的評價結果被聚合為外層適應度信號，用於選擇、變異並更新更優的內層配置。
- 自適應機制：外層根據任務與環境變化持續調整內層策略。
- 並行支撐：GPU 可並行運行大量內層任務，為外層演化提供更充分的統計回饋並降低搜尋等待成本。
MetaDE：用演化改進演化
以 MetaDE 為例，內層 DE 負責具體優化任務，外層演化演算法根據內層運行表現選擇並調整 DE 的配置與策略；大量內層任務結果反向指導外層配置選擇，形成「用演化改進演化」的雙層閉環。
關鍵區分
內層輸出的是「解」，外層輸出的是「產生解的更好的方法」。外層適應度不是原任務的最優值本身，而是對內層配置在批量任務上表現的評價。
學習目標
掌握內層任務求解與外層策略優化的協作關係，理解方法演化是在內層之上增加可進化的元層控制，並能說明 GPU 並行如何為外層提供更可靠的統計回饋。
內外雙層演化架構互動圖示用內層與外層兩個循環表示分工：內層解決實際任務並產生候選解和運行表現，外層把這些表現聚合成適應度，選擇、變異並更新內層演算法配置與策略。GPU 並行運行大量內層任務，為外層提供更充分的統計回饋，形成「用演化改進演化」的雙層閉環。
內外雙層演化架構互動
圖示用內層與外層兩個循環表示分工：內層解決實際任務並產生候選解和運行表現，外層把這些表現聚合成適應度，選擇、變異並更新內層演算法配置與策略。GPU 並行運行大量內層任務，為外層提供更充分的統計回饋，形成「用演化改進演化」的雙層閉環。
