피트니스 근사

Fitness approximation

피트니스 근사치는[1] 수치 시뮬레이션 또는 물리적 실험으로부터 수집된 데이터를 기반으로 기계 학습 모델을 구축함으로써 진화적 최적화에서 목적 또는 피트니스 기능을 근사화하는 것을 목표로 한다.피트니스 근사치를 위한 기계 학습 모델은 메타 모델 또는 대리 모델이라고도 하며, 근사 피트니스 평가에 기초한 진화 최적화는 대리 지원 진화 [2]근사이라고도 한다.진화적 최적화의 적합성 근사치는 데이터 중심 진화적 [3]최적화의 하위 영역으로 볼 수 있다.

기능 최적화의 대략적인 모델

동기

엔지니어링 문제를 포함한 많은 실제 최적화 문제에서 우수한 솔루션을 얻기 위해 필요한 적합성 기능 평가의 수가 최적화 비용을 지배한다.효율적인 최적화 알고리즘을 얻기 위해서는 최적화 프로세스 중에 얻은 사전 정보를 사용하는 것이 중요합니다.개념적으로, 알려진 사전 정보를 활용하는 자연스러운 접근법은 평가를 위한 후보 솔루션의 선택을 돕는 적합성 기능의 모델을 구축하는 것이다.계산 비용이 많이 드는 최적화 문제를 위해 종종 대리 모델, 메타 모델 또는 근사 모델이라고도 하는 그러한 모델을 구성하는 다양한 기법이 고려되었다.

접근

소규모 모집단의 알려진 적합성 값에서 학습 및 보간법을 기반으로 대략적인 모델을 구성하는 일반적인 접근법에는 다음이 포함된다.

엔지니어링 설계 최적화에서 발생하는 교육 샘플의 수가 제한되고 높은 차원 때문에 전체적으로 유효한 근사 모델을 구축하는 것은 여전히 어렵습니다.그 결과, 그러한 근사 적합성 함수를 사용하는 진화 알고리즘은 국소 최적화에 수렴할 수 있다.따라서 대략적인 모델과 함께 원래의 피트니스 기능을 선택적으로 사용하는 것이 유리할 수 있습니다.

무료 사전인 Wiktionary에서 피트니스를 찾아보세요.

적응형 퍼지 피트니스 과립

적응 퍼지 피트니스 그래뉴레이션(AFFG)은 유한 요소 방법의 (L-SPA) 또는 베이지안 네트워크 구조의 반복 피팅과 같은 전통적인 계산 비용이 많이 드는 대규모 문제 분석 대신 피트니스 함수의 대략적인 모델을 구축하는 제안 솔루션입니다.

적응 퍼지 피트니스 조립에서는 정확하게 계산된 피트니스 함수 결과를 가진 퍼지 과립으로 표현되는 적응형 솔루션 풀이 유지된다.만약 새로운 개체가 기존의 알려진 퍼지 과립과 충분히 유사하다면, 그 과립의 적합성이 추정치로 사용된다.그렇지 않으면 해당 개체는 새로운 퍼지 과립으로 풀에 추가됩니다.수영장 크기와 각 과립의 영향 반경은 적응성이 있으며 각 과립의 효용과 전체적인 인구 적합성에 따라 증가/축소됩니다.더 적은 기능 평가를 장려하기 위해 각 과립의 영향 반경은 처음에는 크고 진화 후반 단계에서 점차 축소된다.이것은 유사하고 수렴하는 솔루션들 사이에서 경쟁이 치열할 때 보다 정확한 적합성 평가를 장려한다.또한 웅덩이가 너무 커지는 것을 방지하기 위해 사용하지 않는 과립을 점차 제거한다.

또한, AFFG는 인간 인식의 두 가지 특징인 (a) 입도 (b) 유사성 분석을 반영한다.이 조립 기반 적합성 근사 스킴은 여러 구조 최적화 문제뿐만 아니라 워터마크 신호에서 숨겨진 정보 검출을 포함한 다양한 엔지니어링 최적화 문제를 해결하기 위해 적용된다.

「 」를 참조해 주세요.


레퍼런스

  1. ^ Y. Jin. 진화적 계산의 적합성 근사치에 대한 포괄적인 조사.소프트 컴퓨팅, 2005년 9:3 ~ 12
  2. ^ 대리 지원 진화 계산: 최근의 진보와 장래의 과제.군집과 진화 계산, 1 (2): 61 ~ 70, 2011
  3. ^ Y. Jin, H. Wang, T.으으, D.궈와 K.미에티넨.데이터 중심의 진화적 최적화 -- 개요 및 사례 연구 또는 블랙 박스 최적화. 23(3): 442-459, 2019
  4. ^ Manzoni, L.; D.M., P., Cazzaniga, S., Mauri, G.; Besozzi, D.; Nobile, M.S. 피트니스 풍경 서핑: 푸리에 대리 모델링에 의한 최적화 촉진.엔트로피 2020, 22, 285