Аппроксимация пригодности [1] направлена на аппроксимацию целевых или фитнес-функций в эволюционной оптимизации путем построения моделей машинного обучения на основе данных, собранных в результате численного моделирования или физических экспериментов. Модели машинного обучения для аппроксимации пригодности также известны как метамодели или суррогаты, а эволюционная оптимизация, основанная на приближенных оценках пригодности, также известна как эволюционное приближение с помощью суррогатов. [2] Приближение пригодности в эволюционной оптимизации можно рассматривать как подобласть эволюционной оптимизации, управляемой данными. [3]
Приближенные модели в оптимизации функций
Мотивация
Во многих реальных задачах оптимизации, включая инженерные, количество оценок функции пригодности, необходимых для получения хорошего решения, преобладает над стоимостью оптимизации . Чтобы получить эффективные алгоритмы оптимизации, крайне важно использовать априорную информацию, полученную в процессе оптимизации. Концептуально естественным подходом к использованию известной априорной информации является построение модели функции приспособленности для помощи в выборе возможных решений для оценки. Были рассмотрены различные методы построения такой модели, часто также называемые суррогатами, метамоделями или аппроксимационными моделями - для вычислительно затратных задач оптимизации.
Подходы
Общие подходы к построению приближенных моделей, основанных на обучении и интерполяции известных значений приспособленности небольшой популяции, включают:
- Полиномы низкой степени и регрессионные модели
- Суррогатное моделирование Фурье [4]
- Искусственные нейронные сети, в том числе
Из-за ограниченного числа обучающих выборок и высокой размерности, встречающейся при оптимизации инженерного проектирования, построение общедоступной приближенной модели остается трудным. В результате эволюционные алгоритмы, использующие такие приближенные функции приспособленности, могут сходиться к локальным оптимумам . Следовательно, может быть полезно выборочно использовать исходную функцию пригодности вместе с приближенной моделью.
Адаптивная нечеткая грануляция фитнеса
Адаптивная нечеткая пригодность грануляция (AFFG) является предложенным решением построения приближенной модели функции пригодности вместо традиционного вычислительно дорогой анализа крупномасштабных проблем , как (L-SPA) в методе конечных элементов или итеративной подгонке байесовской сети структуры .
При адаптивной нечеткой грануляции пригодности поддерживается адаптивный пул решений, представленный нечеткими гранулами, с точно вычисленным результатом функции приспособленности. Если новый человек достаточно похож на существующую известную нечеткую гранулу, то пригодность этой гранулы используется вместо этого в качестве оценки. В противном случае этот человек добавляется в пул как новая нечеткая гранула. Размер пула, а также радиус влияния каждой гранулы являются адаптивными и будут увеличиваться / уменьшаться в зависимости от полезности каждой гранулы и общей приспособленности популяции. Чтобы стимулировать меньшее количество оценок функций, радиус влияния каждой гранулы изначально велик и постепенно сокращается на последних стадиях эволюции. Это способствует более точной оценке пригодности в условиях жесткой конкуренции между более похожими и сходными решениями. Кроме того, чтобы бассейн не стал слишком большим, неиспользованные гранулы постепенно удаляются.
Кроме того, AFFG отражает две особенности человеческого познания: (а) степень детализации (б) анализ сходства. Эта основанная на грануляции схема аппроксимации пригодности применяется для решения различных задач инженерной оптимизации, включая обнаружение скрытой информации из сигнала с водяными знаками, в дополнение к нескольким задачам структурной оптимизации.
Смотрите также
- Полный список ссылок на аппроксимацию пригодности в эволюционных вычислениях , составленный Яочу Джин .
- Кибер-лачуга Adaptive Fuzzy Fitness Granulation (AFFG), предназначенная для ускорения скорости конвергенции советников.
Рекомендации
- ↑ Y. Jin. Исчерпывающий обзор приближения пригодности в эволюционных вычислениях . Мягкие вычисления, 9: 3–12, 2005 г.
- ^ Суррогатные эволюционные вычисления: последние достижения и будущие проблемы . Рой и эволюционные вычисления, 1 (2): 61–70, 2011.
- ^ Ю. Джин, Х. Ван, Т. Чага, Д. Го и К. Миеттинен. Эволюционная оптимизация на основе данных - обзор и тематические исследования или оптимизация методом черного ящика. 23 (3): 442-459, 2019.
- ^ Manzoni, L .; Папетти, DM; Cazzaniga, P .; Spolaor, S .; Mauri, G .; Besozzi, D .; Нобиле, М.С. Серфинг на фитнес-ландшафтах: ускорение оптимизации с помощью суррогатного моделирования Фурье. Энтропия 2020, 22, 285.