MetaDE：用演化算法改进演化算法

经典的优化流程把注意力全部放在解空间：固定一组差分进化（DE）配置——变异策略、交叉率 CR、缩放因子 F、种群规模 NP——然后反复迭代去逼近问题的最优解。但有一个问题始终悬而未决：这套配置本身是谁选的？MetaDE 的回答是把“产生候选方案的方法”也当作被演化的对象：外层再套一层演化算法，专门搜索更好的算法配置，于是形成“用演化算法改进演化算法”的双层优化闭环。

内层与外层：职责如何切分

• 内层：拿到一组具体的 DE 配置，在真实任务上跑一次完整求解，产生候选解，并返回一个可比较的性能评价。
• 外层：把 DE 的配置、超参数或策略组合编码为个体，以任务性能作为适应度，用演化算法（选择、重组、变异）更新下一代配置。

目标转移：从“找解”到“找会找解的方法”

MetaDE 改变的并不是优化器的实现，而是优化的目标层级。传统 DE 的产出是一个解向量；MetaDE 的产出是一套能在这类任务上稳定产出更好解的算法配置。也就是说，搜索的对象从“答案”上升为“生产答案的机器”。这使得一次外层搜索的成果可以迁移到同一族的其他实例上复用。

反馈闭环与工程前提

整个系统靠一条闭环串起来：外层下发配置 → 内层执行求解 → 性能回传 → 外层据此更新下一代配置。需要注意的是，外层的一个个体要获得适应度，就必须付出一次（往往是多次并行）完整内层运行的代价，因此 评估成本管理 与 并行调度 是系统设计的核心。正是 GPU 能够把大量内层任务同时跑起来，才让这种“评估昂贵”的元优化在工程上变得可行。