Este artículo propone un marco de Adaptación Jerárquica Dual (DHDA) para abordar el problema de aprendizaje del rendimiento de los sistemas de software configurables que operan en entornos dinámicos. DHDA está diseñado para adaptarse tanto a cambios globales (cambios de rendimiento en todo el espacio de configuración) como a cambios locales (cambios que afectan solo a partes específicas del espacio de configuración). A alto nivel, DHDA responde a los cambios globales solo cuando es necesario, reparticionando los datos y reentrenando los modelos locales. A bajo nivel, los modelos locales en cada partición detectan y se adaptan asincrónicamente a los cambios locales. Para mayor eficiencia, combina actualizaciones incrementales con reentrenamiento global periódico para minimizar el cálculo innecesario cuando no se detectan cambios. Los resultados de la evaluación en ocho sistemas de software demuestran que DHDA supera significativamente a los métodos de vanguardia, se adapta eficazmente a los cambios con una mejora del rendimiento de hasta el doble y mantiene una sobrecarga razonable.
