Approximation de la forme physique - Fitness approximation
L'approximation de la forme physique vise à approximer les fonctions d'objectif ou de forme physique dans l'optimisation évolutive en construisant des modèles d'apprentissage automatique basés sur des données collectées à partir de simulations numériques ou d'expériences physiques. Les modèles d'apprentissage automatique pour l'approximation de la condition physique sont également connus sous le nom de méta-modèles ou substituts, et l'optimisation évolutive basée sur des évaluations de fitness approchées est également connue sous le nom d'approximation évolutive assistée par substitution. L'approximation de la forme physique dans l'optimisation évolutive peut être considérée comme un sous-domaine de l'optimisation évolutive basée sur les données.
Modèles approximatifs dans l'optimisation des fonctions
Motivation
Dans de nombreux problèmes d'optimisation du monde réel , y compris des problèmes d'ingénierie, le nombre d' évaluations des fonctions de fitness nécessaires pour obtenir une bonne solution domine le coût d' optimisation . Afin d'obtenir des algorithmes d'optimisation efficaces, il est essentiel d'utiliser les informations préalables acquises au cours du processus d'optimisation. Conceptuellement, une approche naturelle pour utiliser les informations antérieures connues consiste à construire un modèle de la fonction de fitness pour aider à la sélection de solutions candidates pour l'évaluation. Une variété de techniques pour construire un tel modèle, souvent également appelées substituts, métamodèles ou modèles d' approximation - pour des problèmes d'optimisation coûteux en calcul ont été envisagées.
Approches
Les approches courantes pour construire des modèles approximatifs basés sur l'apprentissage et l'interpolation à partir des valeurs de fitness connues d'une petite population comprennent:
- Polynômes de bas degré et modèles de régression
- Modélisation de substitution de Fourier
- Réseaux de neurones artificiels, y compris
En raison du nombre limité d'échantillons d'apprentissage et de la dimensionnalité élevée rencontrée dans l'optimisation de la conception technique, la construction d'un modèle approximatif globalement valide reste difficile. En conséquence, les algorithmes évolutifs utilisant de telles fonctions de fitness approchées peuvent converger vers des optima locaux . Par conséquent, il peut être avantageux d'utiliser sélectivement la fonction de fitness d' origine avec le modèle approximatif.
Granulation de fitness floue adaptative
La granulation adaptative de fitness floue (AFFG) est une solution proposée pour construire un modèle approximatif de la fonction de fitness à la place de l'analyse de problème à grande échelle traditionnelle coûteuse en calcul comme (L-SPA) dans la méthode des éléments finis ou l'ajustement itératif d'une structure de réseau bayésien .
Dans la granulation adaptative de fitness floue, un pool adaptatif de solutions, représenté par des granules flous , avec un résultat de fonction de fitness exactement calculé est conservé. Si un nouvel individu est suffisamment similaire à un granule flou connu existant, alors l'adéquation de ce granule est utilisée à la place comme une estimation. Sinon, cet individu est ajouté au pool en tant que nouveau granule flou. La taille de la piscine ainsi que le rayon d'influence de chaque granule sont adaptatifs et vont croître / rétrécir en fonction de l'utilité de chaque granule et de l'aptitude globale de la population. Pour encourager moins d'évaluations fonctionnelles, le rayon d'influence de chaque granule est initialement grand et se rétrécit progressivement dans les derniers stades d'évolution. Cela encourage des évaluations de la condition physique plus précises lorsque la concurrence est féroce entre des solutions plus similaires et convergentes. De plus, pour éviter que la piscine ne devienne trop grande, les granulés non utilisés sont progressivement éliminés.
En outre, AFFG reflète deux caractéristiques de la cognition humaine: (a) granularité (b) analyse de similarité. Ce schéma d'approximation de fitness basé sur la granulation est appliqué pour résoudre divers problèmes d'optimisation d'ingénierie, y compris la détection d'informations cachées à partir d'un signal en filigrane en plus de plusieurs problèmes d'optimisation structurelle.
Voir également
- Une liste complète de références sur l'approximation de la condition physique dans le calcul évolutif , par Yaochu Jin .
- La cyber-cabane de l'AFFG (Adaptive Fuzzy Fitness Granulation) qui est conçue pour accélérer le taux de convergence des EA.