Приближение фитнеса
 | Эта статья включает список литературы , связанную литературу или внешние ссылки , но ее источники остаются неясными, поскольку в ней отсутствуют встроенные цитаты . ( Апрель 2009 г. ) |
Приближение фитнеса [1] Целью аппроксимации целевых функций или функций приспособленности в эволюционной оптимизации путем создания моделей машинного обучения на основе данных, собранных в результате численного моделирования или физических экспериментов. Модели машинного обучения для аппроксимации приспособленности также известны как метамодели или суррогаты, а эволюционная оптимизация, основанная на аппроксимированных оценках приспособленности, также известна как эволюционная аппроксимация с суррогатной поддержкой. [2] Аппроксимацию пригодности в эволюционной оптимизации можно рассматривать как подобласть эволюционной оптимизации, управляемой данными. [3]
Приближенные модели в оптимизации функций [ править ]
Мотивация [ править ]
Во многих реальных задачах оптимизации, включая инженерные, количество оценок функции приспособленности , необходимых для получения хорошего решения, доминирует над стоимостью оптимизации . Чтобы получить эффективные алгоритмы оптимизации, крайне важно использовать предварительную информацию, полученную в процессе оптимизации. Концептуально естественным подходом к использованию известной априорной информации является построение модели функции приспособленности, которая поможет выбрать возможные решения для оценки. различные методы построения такой модели, часто также называемые суррогатами, метамоделями или аппроксимационными Были рассмотрены моделями, для задач оптимизации, требующих больших вычислительных затрат.
Подходы [ править ]
Общие подходы к построению приближенных моделей, основанных на обучении и интерполяции известных значений приспособленности небольшой популяции, включают:
- низкой степени Полиномы и регрессии модели
- Фурье Суррогатное моделирование [4]
- Искусственные нейронные сети, в том числе
Из-за ограниченного количества обучающих выборок и высокой размерности, встречающихся при оптимизации инженерного проектирования, построение глобально допустимой приближенной модели остается сложной задачей. В результате эволюционные алгоритмы, использующие такие приближенные функции приспособленности, могут сходиться к локальным оптимумам . Следовательно, может быть полезно выборочно использовать исходную функцию фитнеса вместе с приближенной моделью.
См. также [ править ]
- Полный список ссылок по аппроксимации пригодности в эволюционных вычислениях , автор Яочу Джин .
- Кибер-хижина адаптивной нечеткой фитнес-грануляции (AFFG). Архивировано 6 декабря 2021 г. в Wayback Machine. Она предназначена для ускорения скорости конвергенции советников.
- Обучение с обратным подкреплением
- Обучение с подкреплением на основе отзывов людей
Ссылки [ править ]
- ^ Ю. Джин. Всесторонний обзор аппроксимации приспособленности в эволюционных вычислениях . Мягкие вычисления , 9:3–12, 2005 г.
- ^ Эволюционные вычисления с суррогатной поддержкой: последние достижения и будущие проблемы . Рой и эволюционные вычисления, 1(2):61–70, 2011 г.
- ^ Ю. Цзинь, Х. Ван, Т. Чу, Д. Го и К. Миеттинен. Эволюционная оптимизация на основе данных — обзор и практические примеры или оптимизация «черного ящика». 23(3):442-459, 2019 г.
- ^ Манцони, Л.; Папетти, DM; Каццанига, П.; Сполаор, С.; Маури, Г.; Безоцци, Д.; Нобиле, MS Серфинг на фитнес-ландшафтах: усиление оптимизации с помощью суррогатного моделирования Фурье. Энтропия 2020, 22, 285.