Fitness přiblížení - Fitness approximation
Tento článek obsahuje a seznam doporučení, související čtení nebo externí odkazy, ale jeho zdroje zůstávají nejasné, protože mu chybí vložené citace.Dubna 2009) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) ( |
Ve funkci optimalizace, fitness přiblížení je metoda pro snížení počtu fitness funkce hodnocení k dosažení cílového řešení. Patří do obecné třídy evoluční výpočet nebo umělá evoluce metodiky.
Přibližné modely optimalizace funkcí
Motivace
V mnoha reálných podmínkách optimalizační problémy včetně technických problémů, počtu fitness funkce hodnocení nutná k získání dobrého řešení dominuje optimalizace náklady. Pro získání efektivních optimalizačních algoritmů je zásadní použít předchozí informace získané během procesu optimalizace. Koncepčně je přirozeným přístupem k využití známých předchozích informací budování modelu fitness funkce, která pomáhá při výběru kandidátních řešení pro hodnocení. Různé techniky pro konstrukci takového modelu, často také označované jako náhradní, metamodely nebo přiblížení modely - pro výpočetně nákladnou optimalizaci byly zváženy problémy.
Přístupy
Mezi běžné přístupy ke konstrukci přibližných modelů založených na učení a interpolaci ze známých hodnot fitness malé populace patří:
- Nízký stupeň polynomy a regrese modely
- Fourier náhradní modelování[1]
- Umělé neuronové sítě počítaje v to
Vzhledem k omezenému počtu tréninkových vzorků a vysoké dimenzionality, se kterými se setkáváme při optimalizaci konstrukčního návrhu, je konstrukce globálně platného přibližného modelu stále obtížná. Ve výsledku se mohou evoluční algoritmy využívající takové přibližné fitness funkce sbíhat místní optima. Proto může být výhodné selektivně použít originál fitness funkce společně s přibližným modelem.
Adaptivní fuzzy fitness granulace
Téma tohoto článku nemusí splňovat požadavky Wikipedie obecný pokyn k notabilitě.Červenec 2010) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) ( |
Adaptivní fuzzy fitness granulace (AFFG) je navrhované řešení pro konstrukci přibližného modelu fitness funkce namísto tradiční výpočetně nákladné rozsáhlé analýzy problémů jako (L-SPA) v Metoda konečných prvků nebo iterativní přizpůsobení a Bayesovská síť struktura.
V adaptivní fuzzy fitness granulaci je adaptivní skupina řešení, kterou představuje nejasný granule s přesně vypočítaným výsledkem funkce fitness. Pokud je nový jedinec dostatečně podobný existující známé fuzzy granuli, použije se místo toho jako odhad vhodnost této granule. V opačném případě je tato osoba přidána do fondu jako nová fuzzy granule. Velikost bazénu a poloměr vlivu každé granule je adaptivní a bude růst / zmenšovat se v závislosti na užitečnosti každé granule a celkové kondici populace. Aby se podpořilo méně hodnocení funkcí, je poloměr vlivu každé granule zpočátku velký a v pozdějších fázích vývoje se postupně zmenšuje. To podporuje přesnější hodnocení kondice, když je konkurence mezi podobnějšími a sbližujícími se řešeními tvrdá. Kromě toho, aby se zabránilo příliš velkému růstu bazénu, se postupně vylučují nepoužívané granule.
AFFG navíc odráží dva rysy lidského poznání: (a) zrnitost (b) analýza podobnosti. Toto schéma aproximace fitness založené na granulaci se používá k řešení různých problémů technické optimalizace včetně detekce skrytých informací od a signál s vodoznakem kromě několika problémů se strukturální optimalizací.
Viz také
Reference
- ^ 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.
- Kybernetická bouda Adaptive Fuzzy Fitness Granulation (AFFG) Ten je navržen tak, aby urychlil míru konvergence EA.
- Úplný seznam odkazů na aproximaci fitness v evolučních výpočtech tím, že Yaochu Jin.
- 1