演算法結構演化：AutoPSO 與 EvoGO

在 MetaDE 這類方法中，演化發生在參數層：內層演算法解決真實任務，外層演算法調整內層演算法的配置與策略。而 AutoPSO 與 EvoGO 把被演化的對象再向上抬高一层——直接演化演算法結構本身：元件如何組合、候選如何生成、更新規則如何組織。

判據：外層到底在搜什麼

區分「調參」與「改結構」，不能只看方法名字，而要看外層搜尋空間的層級。MetaDE 一類方法的外層搜尋空間是內層演算法的配置與策略（學習因子、變異機率、選擇壓力等取值）；AutoPSO / EvoGO 的外層搜尋空間則是演算法結構——哪些元件參與組合、候選生成流程長什麼樣、狀態如何更新。

• 參數層：結構固定，只調數值。可及範圍是行為的「強度」。
• 結構層：元件與連接方式可變。可及範圍是行為的「形態」。

AutoPSO：把經典 PSO 拆成元件池

經典 PSO 的速度—位置更新公式是寫死的。AutoPSO 把這一過程拆解為可組合元件：速度項、鄰域拓撲、擾動項、重啟策略等，再由外層演化挑選並組裝成新的候選生成器。它不再沿用固定的經典更新結構，而是讓「更新結構」本身成為可搜尋的變數。調學習因子只能改變行為強度，改元件組合才能改變行為形態。

EvoGO：讓歷史回饋決定結構往哪改

EvoGO 側重把歷史回饋接入結構演化路徑：既往搜尋軌跡與表現記錄不再只用於「選解」，而用於決定「結構下一步往哪裡改」。回饋因此從結果篩選器變成結構更新的方向盤——它改變的是下一輪結構候選的方向，而不是僅僅在一批已完成候選裡挑一個好結果。

共享的雙層骨架與工程含義

兩者共享同一骨架：內層演算法在真實任務上運行，外層依據內層表現演化結構。關鍵前提是樣本密度——GPU 並行批量運行大量內層任務，使「結構—表現」的對照樣本足夠密集，外層的選擇才具備統計意義，而不會被單次運行的雜訊左右。