MetaDE：用演化算法改进演化算法

前面的页面把演化算法当作求解问题的工具：种群在解空间里搜索，适应度衡量候选解的好坏。MetaDE 把这层关系再向上推一步——它把演化算法本身当作演化对象，用一层外层演化去搜索「内层差分进化应该怎样运行」。于是优化目标从「求问题解」扩展到「改进求解方法」。

两层结构：配置演化与任务求解

• 内层（解空间）：在给定变异策略与关键参数（如缩放因子、交叉率、种群规模）下运行差分进化，求解基准函数或工程优化任务，并把任务表现作为适应度产出。
• 外层（算法配置空间）：每个个体编码一套算法配置；它的适应度并非自己算出来，而是由内层用该配置求解任务后回传的性能决定。外层据此选择、重组与变异，产出更适配当前任务的算法行为。
• 闭环：配置生成 → 任务求解 → 性能反馈 → 配置更新，四步循环往复，使算法随任务自适应改进，而不是依赖人工预先固定参数。

关键区分：配置空间 ≠ 解空间

内层搜索的是「问题的答案」，外层搜索的是「更会找答案的算法」。二者虽相互耦合——外层的好坏必须由内层实际跑一遍才能衡量——但搜索对象、编码方式和评价口径都不同。看清这一点，就抓住了元优化的通用骨架：让搜索本身成为被搜索的对象。