Jump to content

Метаоптимизация

Концепция метаоптимизации.

В численной оптимизации метаоптимизация это использование одного метода оптимизации для настройки другого метода оптимизации. Сообщается, что метаоптимизация использовалась еще в конце 1970-х годов Мерсером и Сэмпсоном. [1] для поиска оптимальных настроек параметров генетического алгоритма .

Метаоптимизация и связанные с ней концепции также известны в литературе как метаэволюция, супероптимизация, автоматическая калибровка параметров, гиперэвристика и т. д.

Мотивация

[ редактировать ]
Ландшафт производительности для дифференциальной эволюции .

Методы оптимизации, такие как генетический алгоритм и дифференциальная эволюция, имеют несколько параметров, которые определяют их поведение и эффективность при оптимизации данной проблемы, и эти параметры должны быть выбраны практикующим специалистом для достижения удовлетворительных результатов. Выбор поведенческих параметров вручную — трудоемкая задача, подверженная человеческим заблуждениям относительно того, что обеспечивает хорошую работу оптимизатора.

Поведенческие параметры оптимизатора можно варьировать, а эффективность оптимизации отображать в виде ландшафта. Это вычислительно осуществимо для оптимизаторов с небольшим количеством поведенческих параметров и задачами оптимизации, которые быстро вычисляются, но когда количество поведенческих параметров увеличивается, время, затраченное на вычисление такого ландшафта производительности, увеличивается экспоненциально. Это проклятие размерности пространства поиска, состоящего из поведенческих параметров оптимизатора. Поэтому необходим эффективный метод поиска в пространстве поведенческих параметров.

Метаоптимизация дифференциальной эволюции .

Простой способ найти хорошие поведенческие параметры для оптимизатора — использовать другой накладывающийся оптимизатор, называемый метаоптимизатором . Существуют разные способы сделать это в зависимости от того, являются ли настраиваемые поведенческие параметры вещественными или дискретными , а также от того, какой показатель производительности используется и т. д.

Метаоптимизацию параметров генетического алгоритма выполнил Грефенштетт. [2] и Кин, [3] экспериментах по метаоптимизации как параметров, так и генетических операторов . Среди прочего, Бэк сообщил об [4] Метаоптимизация алгоритма COMPLEX-RF была выполнена Крусом и Андерссоном. [5] и, [6] где был введен и получил дальнейшее развитие показатель эффективности оптимизации, основанный на теории информации. Метаоптимизация роя частиц была проведена Мейсснером и др., [7] Педерсен и Чипперфилд, [8] и Мейсон и др. [9] Педерсен и Чипперфилд применили метаоптимизацию к дифференциальной эволюции . [10] По данным Бираттари и др. [11] [12] метаоптимизированная оптимизация колонии муравьев . Статистические модели также использовались, чтобы больше узнать о взаимосвязи между выбором поведенческих параметров и эффективностью оптимизации, см., например, Франсуа и Лавернь, [13] и Наннен и Эйбен. [14] Сравнение различных методов метаоптимизации было проведено Смитом и Эйбеном. [15]

См. также

[ редактировать ]
  1. ^ Мерсер, RE; Сэмпсон, младший (1978). «Адаптивный поиск с использованием репродуктивного метаплана». Кибернет . 7 (3): 215–228. дои : 10.1108/eb005486 .
  2. ^ Грефенстетт, Джей-Джей (1986). «Оптимизация параметров управления генетическими алгоритмами». Транзакции IEEE по системам, человеку и кибернетике . 16 (1): 122–128. дои : 10.1109/TSMC.1986.289288 . S2CID   23313487 .
  3. ^ Кин, Эй Джей (1995). «Оптимизация генетических алгоритмов в многопиковых задачах: исследования сходимости и устойчивости». Искусственный интеллект в технике . 9 (2): 75–83. дои : 10.1016/0954-1810(95)95751-Q .
  4. ^ Бэк, Т. (1994). «Параллельная оптимизация эволюционных алгоритмов». Материалы Международной конференции по эволюционным вычислениям . стр. 418–427.
  5. ^ Крус, ПК.; Андерссон (Олвандер), Дж. (2003). «Оптимизация оптимизации для оптимизации дизайна». Материалы DETC'03 2003 Технические конференции ASME по проектированию и инженерно-технической конференции по компьютерам и информации в инженерии Чикаго, Иллинойс, США .
  6. ^ Крус, ПК.; Ольвандер (Андерссон), Дж. (2013). «Показатель производительности и метаоптимизация метода прямой поисковой оптимизации» (PDF) . Инженерная оптимизация . 45 (10): 1167–1185. Бибкод : 2013EnOp...45.1167K . дои : 10.1080/0305215X.2012.725052 . S2CID   62731978 .
  7. ^ Мейснер, М.; Шмукер, М.; Шнайдер, Г. (2006). «Оптимизированная оптимизация роя частиц (OPSO) и ее применение для обучения искусственных нейронных сетей» . БМК Биоинформатика . 7 (1): 125. дои : 10.1186/1471-2105-7-125 . ПМК   1464136 . ПМИД   16529661 .
  8. ^ Педерсен, MEH; Чипперфилд, Эй Джей (2010). «Упрощение оптимизации роя частиц». Прикладные мягкие вычисления . 10 (2): 618–628. CiteSeerX   10.1.1.149.8300 . дои : 10.1016/j.asoc.2009.08.029 .
  9. ^ Мейсон, Карл; Дагган, Джим; Хаули, Энда (2018). «Метаоптимизационный анализ уравнений обновления скорости оптимизации роя частиц для обучения управлению водоразделом». Прикладные мягкие вычисления . 62 : 148–161. дои : 10.1016/j.asoc.2017.10.018 .
  10. ^ Педерсен, MEH (2010). Настройка и упрощение эвристической оптимизации (PDF) (кандидатская диссертация). Университет Саутгемптона, Школа инженерных наук, Группа вычислительной инженерии и дизайна. S2CID   107805461 . Архивировано из оригинала (PDF) 13 февраля 2020 г.
  11. ^ Бираттари, М.; Штютцле, Т.; Пакете, Л.; Варрентрапп, К. (2002). «Гоночный алгоритм настройки метаэвристики» . Материалы конференции по генетическим и эволюционным вычислениям (GECCO) . стр. 11–18.
  12. ^ Бираттари, М. (2004). Проблема настройки метаэвристики с точки зрения машинного обучения (PDF) (кандидатская диссертация). Свободный университет Брюсселя.
  13. ^ Франсуа, О.; Лавернь, К. (2001). «Разработка эволюционных алгоритмов - статистический взгляд». Транзакции IEEE в эволюционных вычислениях . 5 (2): 129–148. дои : 10.1109/4235.918434 .
  14. ^ Наннен, В.; Эйбен, А.Е. (2006). «Метод калибровки параметров и оценки релевантности в эволюционных алгоритмах» (PDF) . Материалы 8-й ежегодной конференции по генетическим и эволюционным вычислениям (GECCO) . стр. 183–190.
  15. ^ Смит, СК; Эйбен, А.Е. (2009). «Сравнение методов настройки параметров эволюционных алгоритмов» (PDF) . Труды Конгресса IEEE по эволюционным вычислениям (CEC) . стр. 399–406.
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 3bf98dccb461fe0b85e09631fa1b7897__1701587580
URL1:https://arc.ask3.ru/arc/aa/3b/97/3bf98dccb461fe0b85e09631fa1b7897.html
Заголовок, (Title) документа по адресу, URL1:
Meta-optimization - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)