方法演化的核心思想与跨越

前面的课程把演化过程组织为可整体计算的张量，解决了大规模候选评价的效率问题。这一页要再向前跨一步：如果优化的对象不只是候选答案，而是产生候选答案的方法，会发生什么？方法演化（Meta-Evolution）的核心跨越，就是把“产生候选解的方法”本身转化为优化对象：不再只演化答案，而是演化生成与改进答案的算法、策略或算子，使算法从固定工具转变为持续进化的求解器。

一、从“演化答案”到“演化方法”

传统路径可以写成一个单路链条：问题 → 固定算法 → 候选解。研究者先选定算法或算子，再让算法在问题空间里搜索，算法本身不会改变。方法演化把链条改写为：问题族/环境 → 可演化方法空间 → 候选生成器 → 候选解评价 → 方法更新 → 再生成。优化变量从解 x 扩展到方法、算子、超启发式规则或候选生成过程 m。这里的“方法”可以是差分进化中的变异策略、粒子群中的惯性权重与拓扑、局部搜索算子，也可以是更上层的算法选择与调度规则。

二、五个关键转变

• 演化对象扩展：从解、参数、结构，扩展到方法、算子、超启发式规则或候选生成过程。
• 问题重述：优化问题由“在给定算法下找最优解”变为“在任务或环境中演化出更会找解的求解器”。
• 反馈关系：方法产生候选并接受任务评价，评价结果反过来驱动方法的变异、选择与重组，形成方法层与解层之间的持续反馈。
• 评价标准迁移：方法优劣不只看单次最优，而看跨任务、跨环境的泛化、鲁棒性、多样性与计算成本。
• 角色转变：研究者不再只设计固定流程，而是设计可演化方法空间、反馈信号与选择机制。

三、反馈闭环为什么关键

方法层与解层不是两个独立的优化循环。方法层生成一个候选生成器，解层用它在具体任务上产生候选并得到评价；这些评价经过聚合或信用分配后，回到方法层，驱动方法本身的变异、选择和重组。若反馈信号太稀疏或只奖励短期最优，方法层容易过拟合到单个任务；若反馈信号包含跨任务泛化与多样性，方法层才能学到“更会找解”的元策略。这里可以理解为在方法空间上又开了一层演化搜索，但它的评价离不开解层的真实表现。

四、概念基座：MetaDE 与 AutoPSO

方法演化不是停留在口号。MetaDE 让差分进化的策略、参数甚至算子组合成为可演化对象；AutoPSO 则把粒子群的结构、参数或拓扑纳入自动搜索。它们共享同一个出发点：把“产生候选的方法”纳入优化对象，实现算法的自我进化。本页先建立统一概念基座，具体架构与算法结构演化将在后续展开。