MetaDE 與 AutoPSO：方法演化的雙層架構

方法演化（Meta-Evolution）把「產生候選的方法」本身抬升為被最佳化的對象：演算法不再只是找解，還要改進「自己怎麼找解」。MetaDE 與 AutoPSO 是這一思想的兩種代表性落地，二者共享同一骨架——內外雙層架構：外層搜尋演算法空間，內層用候選演算法求解目標任務，內層表現回傳為外層的適應度訊號，驅動演算法自身持續改進，形成閉環。

雙層架構的通用抽象

• 外層（演算法空間搜尋）：搜尋超參數、策略與元件組合等「演算法的定義」。它的搜尋空間不是解空間，而是演算法配置與結構的空間。
• 內層（目標任務求解）：用外層下發的候選演算法真正去求解任務，得到可度量的表現，作為該候選演算法的評價依據。
• 訊號迴路：內層表現被聚合為適應度回傳外層，外層據此淘汰劣質配置、保留並變異優質配置。閉環一旦成立，求解與改進求解方式就同時發生。

MetaDE：把 DE 的配置交給外層演化

MetaDE 保留差分進化作為內層求解器，把 DE 自身的配置交給外層搜尋：變異策略的選擇、交叉率、縮放因子等不再是固定常量，而是隨問題與最佳化階段自適應調整的演化對象。它回答的是「這套配置在當前任務階段該怎麼設」，屬於配置層的方法演化。

AutoPSO：從改參數到改演算法結構

AutoPSO 把 PSO 的核心參數與學習機制視為可組合元件——慣性權重、學習因子以及個體與群體學習機制的不同搭配，由外層自動搜尋並組合出適配不同問題的 PSO 變體。相比只調參數，它把「選演算法」轉變為「搜演算法結構」，實現從參數自適應到機制自生成的跨越。兩者互補：MetaDE 偏配置與超參層的自動調優，AutoPSO 偏結構與元件層的自動組合，共同覆蓋從參數自適應到機制自生成的演化範圍。

代價結構與工程依賴

雙層最佳化的關鍵代價在於乘法效應：外層每評估一個候選演算法，往往需要多次內層執行（隨機性帶來的重複評估、多任務聯合驗證等），計算預算被顯著放大。因此必須做預算分配、近似評價、早停或平行化等權衡。工程上，高效執行依賴張量化平行、Runtime 排程與演算法可組合性；否則外層搜尋的規模會被內層重複評估拖垮。