Приближение фитнеса - Fitness approximation

В функции оптимизация, приближение пригодности это метод уменьшения количества фитнес-функция оценки для достижения целевого решения. Он принадлежит к общему классу эволюционные вычисления или же искусственная эволюция методологии.

Приближенные модели в оптимизации функций

Мотивация

Во многих реальных проблемы оптимизации включая инженерные проблемы, количество фитнес-функция оценки, необходимые для получения хорошего решения, преобладают оптимизация Стоимость. 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 пригодности для помощи в выборе возможных решений для оценки. Различные методы построения такой модели, часто также называемые суррогатами, метамоделями или приближение модели - для дорогостоящих в вычислительном отношении задач оптимизации.

Подходы

Общие подходы к построению приближенных моделей, основанных на обучении и интерполяции известных значений приспособленности небольшой популяции, включают:

Из-за ограниченного количества обучающих выборок и высокой размерности, возникающей при оптимизации инженерного проектирования, построение общедоступной приближенной модели остается трудным. В результате эволюционные алгоритмы, использующие такие приближенные функции приспособленности, могут сходиться к локальный оптимум. Следовательно, может быть полезно выборочно использовать оригинальные фитнес-функция вместе с примерной моделью.

Адаптивная нечеткая грануляция фитнеса

Адаптивная нечеткая грануляция фитнеса (AFFG) является предлагаемым решением для построения приближенной модели функции приспособленности вместо традиционного дорогостоящего в вычислительном отношении крупномасштабного анализа проблем, такого как (L-SPA) в Метод конечных элементов или итеративная подгонка Байесовская сеть структура.

В адаптивной нечеткой грануляции пригодности адаптивный пул решений, представленный нечеткий гранул с точно вычисленным результатом функции пригодности. 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 адаптивны 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 уменьшается на последних стадиях эволюции. Это способствует более точной оценке пригодности в условиях жесткой конкуренции среди более похожих и сходящихся решений. Кроме того, чтобы бассейн не стал слишком большим, неиспользуемые 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 сигнал с водяными знаками в дополнение к нескольким проблемам структурной оптимизации.

Смотрите также

Суррогатная модель