MetaDE：算法优化算法的嵌套架构

在上一讲中，演化系统依靠“生成—评价—选择—继承”的闭环不断积累能力。本讲把这一思想再向内推进一层：不只是让算法去解题，而是让算法去改进算法。MetaDE 正是这样一种嵌套演化架构——它把差分进化（DE）拆分为内外两层，使“算法优化算法”成为可执行的计算过程。

一、两层分工：谁求解，谁演化

MetaDE 把 DE 组织成内外两层，两层的工作对象完全不同：

• 内层 DE（任务层）：面向真实优化任务，维护候选解种群，反复执行变异、交叉与选择，逐步逼近任务上的优质解。它回答的是“这道题解得怎么样”。
• 外层 DE（元层）：面向算法本身，种群中的每个个体不是任务解，而是一整套“变异策略 + 参数”的配置，例如采用哪种变异方式、缩放因子与交叉概率取什么值。它回答的是“这套算法配置好不好用”。

因此外层并不直接优化任务变量，任务变量始终交由内层处理；外层改变的只是内层的“工作手册”。

二、交互闭环：配置下发与性能回传

两层之间由一条双向通道耦合，形成闭环：外层先产出一套算法配置，下发（→）给内层；内层按该配置在任务上运行，结束后把任务表现（→）返回外层；外层据此保留并重组表现更好的配置，再产出下一轮配置。整个流程可概括为：外层配置 → 内层求解 → 任务表现 → 外层更新，循环往复。

这个闭环带来一个关键性质：内层算法的变异策略与参数不再由人一次性设定后固定不变，而是随着外层搜索不断被改写，算法因此获得了自我改进的通道。

三、可执行的前提：并行与成本权衡

嵌套结构并非没有代价。每一次外层评估，都要把一套配置完整地在任务上运行一遍，评估成本被明显放大；外层种群越大，总开销越高。这正是 MetaDE 依赖 GPU 并行的原因：多套内层配置可以同时评估，外层单次迭代所需时间被显著压缩，嵌套元演化才具备工程上的可执行性。反过来说，如果可用的并行资源不足，缩短外层规模或降低内层评估精度，往往比盲目扩大搜索更现实。