Aproximació d'aptitut
Es denomina aproximació d'aptitut (fitness approximation en anglés)[1] a un procediment informàtic que té com a propòsit aproximar una funció objectiu per mig d'optimisació evolutiva, valent-se de la creació de models d'aprenentage automàtic basats en senyes recopilades a partir de simulacions numèriques o experiments físics. Els models d'aprenentage automàtic per a l'aproximació d'aptitut també es coneixen com metamodelos o substituts, i l'optimisació evolutiva basada en evaluacions d'aptitut aproximades també es coneix com a aproximació evolutiva assistida per substituts.[2] L'aproximació de la funció d'aptitut en l'optimisació evolutiva pot considerar-se una subárea de l'optimisació evolutiva basada en senyes.[3]
Models aproximats en l'optimisació de funcions
[editar | editar còdic]Motivació
[editar | editar còdic]En molts problemes d'optimisació del món real, incloent problemes d'ingenieria, el número d'evaluacions de la funció d'aptitut necessàries per a obtindre una bona solució domina el cost de l'optimisació. Per a obtindre algoritmes d'optimisació eficients, és crucial utilisar l'informació prèvia obtinguda durant el procés d'optimisació. Conceptualment, un enfocament natural per a utilisar l'informació prèvia coneguda és construir un model de la funció d'aptitut per a caracterisar la selecció de solucions candidates per a l'evaluació. S'han considerat diverses tècniques per a construir dit model, a sovint també denominats models substituts, metamodelos o models d'aproximació per a problemes d'optimisació computacionalment costosos.
Enfocaments
[editar | editar còdic]Enfoques comuns[4] per a construir models aproximats basats en l'aprenentage i l'interpolació a partir de valors d'aptitut coneguts d'una població chicoteta inclouen:
- Polinomis de grau baix i models de regressió
- Modele substitut de Fourier[5]
- Rets neuronals artificials, incloent:
Pel número llimitat de mostres d'entrenament i l'alta dimensionalidad que es presenten en l'optimisació del disseny d'ingenieria, la construcció d'un model aproximat globalment vàlit seguix sent difícil. Com a resultat, els algoritmes evolutius que utilisen dites funcions d'aptitut aproximades poden convergir a òptims locals. Per lo tant, pot ser beneficiós utilisar selectivament la funció d'aptitut original junt en el model aproximat.
Vore també
[editar | editar còdic]Referències
[editar | editar còdic]- ↑ Y. Jin. A comprehensive survey of fitness approximation in evolutionary computation. Soft Computing, 9:3–12, 2005
- ↑ Surrogate-assisted evolutionary computation: Recent advances and future challenges. Swarm and Evolutionary Computation, 1(2):61–70, 2011
- ↑ Y. Jin, H. Wang, T. Chugh, D. Guo and K. Miettinen. Data-driven evolutionary optimization -- An Overview and Case Studies or black-box optimization. 23(3):442-459, 2019
- ↑ Li, Jian-Yu. “Evolutionary Computation for Expensive Optimization: A Survey” (en). Machine Intelligence Research 19 (1): 3–23. doi:. ISSN 2731-5398. PMC:8777172.
- ↑ Manzoni, L.; Papetti, D.M.; Cazzaniga, P.; Spolaor, S.; Mauri, G.; Besozzi, D.; Nobile, M.S. Surfing on Fitness Landscapes: A Boost on Optimization by Fourier Surrogate Modeling. Entropy 2020, 22, 285.
- ↑ J. -Y. Li, Z. -H. Zhan, C. Wang, H. Jin and J. Zhang, Boosting Data-Driven Evolutionary Algorithm With Localized Data Generation in IEEE Transactions on Evolutionary Computation, doi: 10.1109/TEVC.2020.2979740
- ↑ J. -Y. Li, Z. -H. Zhan, H. Wang and J. Zhang, Data-Driven Evolutionary Algorithm With Perturbation-Based Ensemble Surrogates in IEEE Transactions on Cybernetics, doi: 10.1109/TCYB.2020.3008280
Referències
[editar | editar còdic]
- Este artícul conté una traducció derivada de «Aproximación de aptitud» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.