MetaDE 与 AutoPSO：方法演化的双层架构

方法演化（Meta-Evolution）把「产生候选的方法」本身抬升为被优化的对象：算法不再只是找解，还要改进「自己怎么找解」。MetaDE 与 AutoPSO 是这一思想的两种代表性落地，二者共享同一骨架——内外双层架构：外层搜索算法空间，内层用候选算法求解目标任务，内层表现回传为外层的适应度信号，驱动算法自身持续改进，形成闭环。

双层架构的通用抽象

• 外层（算法空间搜索）：搜索超参数、策略与组件组合等「算法的定义」。它的搜索空间不是解空间，而是算法配置与结构的空间。
• 内层（目标任务求解）：用外层下发的候选算法真正去求解任务，得到可度量的表现，作为该候选算法的评价依据。
• 信号回路：内层表现被聚合为适应度回传外层，外层据此淘汰劣质配置、保留并变异优质配置。闭环一旦成立，求解与改进求解方式就同时发生。

MetaDE：把 DE 的配置交给外层演化

MetaDE 保留差分进化作为内层求解器，把 DE 自身的配置交给外层搜索：变异策略的选择、交叉率、缩放因子等不再是固定常量，而是随问题与优化阶段自适应调整的演化对象。它回答的是「这套配置在当前任务阶段该怎么设」，属于配置层的方法演化。

AutoPSO：从改参数到改算法结构

AutoPSO 把 PSO 的核心参数与学习机制视为可组合组件——惯性权重、学习因子以及个体与群体学习机制的不同搭配，由外层自动搜索并组合出适配不同问题的 PSO 变体。相比只调参数，它把「选算法」转变为「搜算法结构」，实现从参数自适应到机制自生成的跨越。两者互补：MetaDE 偏配置与超参层的自动调优，AutoPSO 偏结构与组件层的自动组合，共同覆盖从参数自适应到机制自生成的演化范围。

代价结构与工程依赖

双层优化的关键代价在于乘法效应：外层每评估一个候选算法，往往需要多次内层运行（随机性带来的重复评估、多任务联合验证等），计算预算被显著放大。因此必须做预算分配、近似评价、早停或并行化等权衡。工程上，高效执行依赖张量化并行、Runtime 调度与算法可组合性；否则外层搜索的规模会被内层重复评估拖垮。