算法结构演化：AutoPSO 与 EvoGO

在 MetaDE 这类方法中，演化发生在参数层：内层算法解决真实任务，外层算法调整内层算法的配置与策略。而 AutoPSO 与 EvoGO 把被演化的对象再向上抬高一层——直接演化算法结构本身：组件如何组合、候选如何生成、更新规则如何组织。

判据：外层到底在搜什么

区分“调参”与“改结构”，不能只看方法名字，而要看外层搜索空间的层级。MetaDE 一类方法的外层搜索空间是内层算法的配置与策略（学习因子、变异概率、选择压力等取值）；AutoPSO / EvoGO 的外层搜索空间则是算法结构——哪些组件参与组合、候选生成流程长什么样、状态如何更新。

• 参数层：结构固定，只调数值。可及范围是行为的“强度”。
• 结构层：组件与连接方式可变。可及范围是行为的“形态”。

AutoPSO：把经典 PSO 拆成组件池

经典 PSO 的速度—位置更新公式是写死的。AutoPSO 把这一过程拆解为可组合组件：速度项、邻域拓扑、扰动项、重启策略等，再由外层演化挑选并组装成新的候选生成器。它不再沿用固定的经典更新结构，而是让“更新结构”本身成为可搜索的变量。调学习因子只能改变行为强度，改组件组合才能改变行为形态。

EvoGO：让历史反馈决定结构往哪改

EvoGO 侧重把历史反馈接入结构演化路径：既往搜索轨迹与表现记录不再只用于“选解”，而用于决定“结构下一步往哪里改”。反馈因此从结果筛选器变成结构更新的方向盘——它改变的是下一轮结构候选的方向，而不是仅仅在一批已完成候选里挑一个好结果。

共享的双层骨架与工程含义

两者共享同一骨架：内层算法在真实任务上运行，外层依据内层表现演化结构。关键前提是样本密度——GPU 并行批量运行大量内层任务，使“结构—表现”的对照样本足够密集，外层的选择才具备统计意义，而不会被单次运行的噪声左右。