Przybliżenie sprawności - Fitness approximation

Przybliżenie sprawności ma na celu przybliżenie funkcji celu lub sprawności w optymalizacji ewolucyjnej poprzez tworzenie modeli uczenia maszynowego na podstawie danych zebranych z symulacji numerycznych lub eksperymentów fizycznych. Modele uczenia maszynowego do przybliżania sprawności są również znane jako meta-modele lub surogaty, a optymalizacja ewolucyjna oparta na przybliżonych ocenach sprawności jest również znana jako przybliżenie ewolucyjne wspomagane zastępczo. Przybliżenie sprawności w optymalizacji ewolucyjnej można postrzegać jako podobszar optymalizacji ewolucyjnej opartej na danych.

Przybliżone modele w optymalizacji funkcji

Motywacja

W wielu rzeczywistych problemach optymalizacyjnych, w tym inżynierskich, liczba ocen funkcji dopasowania potrzebnych do uzyskania dobrego rozwiązania dominuje nad kosztem optymalizacji . Aby uzyskać wydajne algorytmy optymalizacji, kluczowe jest wykorzystanie wcześniejszych informacji uzyskanych podczas procesu optymalizacji. Koncepcyjnie, naturalnym podejściem do wykorzystania znanych wcześniejszych informacji jest budowanie modelu funkcji przystosowania, aby pomóc w wyborze rozwiązań kandydujących do oceny. Rozważano różnorodne techniki konstruowania takiego modelu, często nazywane również surogatami, metamodelami lub modelami aproksymacyjnymi - dla kosztownych obliczeniowo problemów optymalizacyjnych.

Podejścia

Typowe podejścia do konstruowania przybliżonych modeli opartych na uczeniu się i interpolacji na podstawie znanych wartości sprawności małej populacji obejmują:

Ze względu na ograniczoną liczbę próbek szkoleniowych i dużą wymiarowość napotkaną podczas optymalizacji projektu inżynieryjnego, skonstruowanie globalnie ważnego przybliżonego modelu pozostaje trudne. W rezultacie algorytmy ewolucyjne wykorzystujące takie przybliżone funkcje przystosowania mogą zbiegać się z lokalnymi optymami . Dlatego korzystne może być selektywne wykorzystanie oryginalnej funkcji fitness wraz z przybliżonym modelem.

Adaptacyjna rozmyta granulacja fitness

Adaptacyjna rozmyta granulacja sprawności (AFFG) to proponowane rozwiązanie do budowy przybliżonego modelu funkcji przystosowania w miejsce tradycyjnej, kosztownej obliczeniowo, wielkoskalowej analizy problemu, takiej jak (L-SPA) w metodzie elementów skończonych lub iteracyjne dopasowywanie struktury sieci bayesowskiej .

W adaptacyjnej, rozmytej granulacji sprawności, utrzymywana jest adaptacyjna pula rozwiązań, reprezentowana przez rozmyte granulki, z dokładnie obliczonym wynikiem funkcji dopasowania. Jeśli nowy osobnik jest wystarczająco podobny do istniejącej znanej rozmytej granulki, wówczas przydatność tej granulki jest używana jako wartość szacunkowa. W przeciwnym razie osoba ta zostanie dodana do puli jako nowa rozmyta granulka. Wielkość puli, jak również promień oddziaływania każdej granulki, są adaptacyjne i będą rosnąć / kurczyć w zależności od użyteczności każdej granulki i ogólnej kondycji populacji. Aby zachęcić do mniejszej oceny funkcji, promień oddziaływania każdej granulki jest początkowo duży i stopniowo zmniejsza się w późniejszych etapach ewolucji. Zachęca to do dokładniejszej oceny sprawności, gdy konkurencja jest ostra między bardziej podobnymi i zbieżnymi rozwiązaniami. Ponadto, aby zapobiec nadmiernemu rozrostowi puli, nieużywane granulki są stopniowo eliminowane.

Dodatkowo AFFG odzwierciedla dwie cechy ludzkiego poznania: (a) ziarnistość (b) analizę podobieństwa. Ten oparty na granulacji schemat przybliżenia sprawności jest stosowany do rozwiązywania różnych problemów optymalizacji inżynierskiej, w tym wykrywania ukrytych informacji z sygnału ze znakiem wodnym, oprócz kilku problemów optymalizacji strukturalnej.

Zobacz też


Bibliografia