传统的差分进化（DE）把变异策略与关键控制参数交给研究者预先设定，并在整个搜索过程中保持不变。MetaDE 的核心转变是：把算法自身的配置也当作被演化的对象——外层演化搜索的是算法空间，内层评估的是解空间表现，从而把「如何演化」由人工预设转为自适应搜索。
双层结构：外层搜算法，内层解问题
- 内层：差分进化在原始优化任务上的常规求解过程，负责给出真实的任务表现。
- 外层：以一份 DE 算法配置为一个个体，对配置空间执行选择、交叉、变异与淘汰。
两层的职责不能混淆：外层优化对象是算法配置，内层优化对象是问题解。前者决定「怎么搜」，后者决定「搜到多好」。
外层演化的是什么
一个外层个体编码的不是几个数字，而是一整套算法行为：变异策略（rand/1、best/1、current-to-best/1 等）、交叉方式（二项交叉、指数交叉），以及缩放因子 F、交叉概率 CR、种群规模等控制参数。个体之间的差异，对应的就是同一族算法在不同问题特性下的不同行为倾向。
检验闭环：候选配置必须真跑一次
每一种候选配置都不能仅凭元指标或先验判断决定去留，必须送入原始任务实际运行，接受真实表现的检验；外层再依据内层反馈的适应度执行选择、淘汰与保留，决定哪些配置被继承与传播。由此形成「配置生成 → 任务检验 → 反馈取舍」的迭代闭环，外层适应度只能来自内层的真实运行结果。
与固定 DE 的差异
传统 DE 的策略与参数由研究者预先设定并全程固定；MetaDE 把这一决定权交给外层演化，使算法具备对问题特性的自适应能力——例如在搜索早期偏好探索性更强的 rand/1 与较大 F，在后期转向收敛更快的 best/1 与较小 F。
代价与前提
每个候选配置都要完整跑一次内层任务（通常还需多次独立运行取均值以抑制随机性），评估成本随外层种群规模与代数成倍放大。因此 MetaDE 对并行化、张量化与运行时调度等工程底座有强依赖——这正是它需要建立在张量化 Runtime 之上的工程原因。
定位：MetaDE 是「内外双层演化与自适应机制」从思想走向可实现架构的具体落地，也为后续算法结构演化（AutoPSO、EvoGO）提供了方法范式。
MetaDE 双层结构与任务检验流程
图示展示 MetaDE 的双层流程：外层以一整套 DE 配置为个体进行选择、交叉、变异与淘汰，候选配置必须送入内层原始任务实际运行，通常多次独立运行取平均适应度，再反馈决定保留与传播。这样把变异策略、交叉方式及 F、CR 等设置从人工预设转为自适应搜索。
