MetaDE：用演化演算法改進演化演算法

經典的最佳化流程把注意力全部放在解空間：固定一組差分進化（DE）組態——變異策略、交叉率 CR、縮放因子 F、族群規模 NP——然後反覆迭代去逼近問題的最佳解。但有一個問題始終懸而未決：這套組態本身是誰選的？MetaDE 的回答是把「產生候選方案的方法」也當作被演化的物件：外層再套一層演化演算法，專門搜尋更好的演算法組態，於是形成「用演化演算法改進演化演算法」的雙層最佳化閉環。

內層與外層：職責如何切分

• 內層：拿到一組具體的 DE 組態，在真實任務上跑一次完整求解，產生候選解，並回傳一個可比較的效能評價。
• 外層：把 DE 的組態、超參數或策略組合編碼為個體，以任務效能作為適應度，用演化演算法（選擇、重組、變異）更新下一代組態。

目標轉移：從「找解」到「找會找解的方法」

MetaDE 改變的並不是最佳化器的實作，而是最佳化的目標層級。傳統 DE 的產出是一個解向量；MetaDE 的產出是一套能在這類任務上穩定產出更好解的演算法組態。也就是說，搜尋的物件從「答案」上升為「生產答案的機器」。這使得一次外層搜尋的成果可以遷移到同一族的其他實例上重複使用。

回饋閉環與工程前提

整個系統靠一條閉環串起來：外層下發組態 → 內層執行求解 → 效能回傳 → 外層據此更新下一代組態。需要注意的是，外層的一個個體要獲得適應度，就必須付出一次（往往是多次並行）完整內層執行的代價，因此 評估成本管理 與 並行排程 是系統設計的核心。正是 GPU 能夠把大量內層任務同時跑起來，才讓這種「評估昂貴」的元最佳化在工程上變得可行。