Fitness yaklaşımı - Fitness approximation

Uygunluk yaklaşımı, sayısal simülasyonlardan veya fiziksel deneylerden toplanan verilere dayanarak makine öğrenimi modelleri oluşturarak evrimsel optimizasyondaki hedef veya uygunluk işlevlerine yaklaşmayı amaçlar. Uygunluk tahmini için makine öğrenimi modelleri aynı zamanda meta modeller veya vekiller olarak bilinir ve yaklaşık uygunluk değerlendirmelerine dayalı evrimsel optimizasyon, vekil destekli evrimsel yaklaşım olarak da bilinir. Evrimsel optimizasyondaki uygunluk yaklaşımı, veriye dayalı evrimsel optimizasyonun bir alt alanı olarak görülebilir.

İşlev optimizasyonundaki yaklaşık modeller

Motivasyon

Mühendislik problemleri de dahil olmak üzere birçok gerçek dünya optimizasyon probleminde , iyi bir çözüm elde etmek için gereken uygunluk fonksiyonu değerlendirmelerinin sayısı optimizasyon maliyetine hakimdir . Etkili optimizasyon algoritmaları elde etmek için, optimizasyon sürecinde elde edilen önceki bilgilerin kullanılması çok önemlidir. Kavramsal olarak, bilinen önceki bilgileri kullanmaya yönelik doğal bir yaklaşım, değerlendirme için aday çözümlerin seçimine yardımcı olmak için uygunluk işlevinin bir modelini oluşturmaktır. Hesaplama açısından pahalı olan optimizasyon problemleri için , bu tür bir modeli oluşturmak için sıklıkla vekiller, metamodeller veya yaklaşım modelleri olarak da adlandırılan çeşitli teknikler dikkate alınmıştır.

Yaklaşımlar

Küçük bir popülasyonun bilinen uygunluk değerlerinden öğrenmeye ve enterpolasyona dayalı yaklaşık modeller oluşturmaya yönelik yaygın yaklaşımlar şunları içerir:

Mühendislik tasarım optimizasyonunda karşılaşılan sınırlı sayıda eğitim örneği ve yüksek boyutluluk nedeniyle, küresel olarak geçerli bir yaklaşık model oluşturmak zor olmaya devam etmektedir. Sonuç olarak, bu tür yaklaşık uygunluk fonksiyonlarını kullanan evrimsel algoritmalar, yerel optimaya yakınsayabilir . Bu nedenle, orijinal uygunluk işlevini yaklaşık modelle birlikte seçici olarak kullanmak faydalı olabilir .

Uyarlanabilir fuzzy fitness granülasyonu

Uyarlanabilir bulanık uygunluk granülasyonu (AFFG) , Sonlu elemanlar yönteminde (L-SPA) gibi geleneksel hesaplama açısından pahalı büyük ölçekli problem analizi yerine uygunluk işlevinin yaklaşık bir modelini oluşturmak veya Bayes ağ yapısının yinelemeli uydurmak için önerilen bir çözümdür. .

Uyarlanabilir bulanık uygunluk granülasyonunda, tam olarak hesaplanmış bir uygunluk işlevi sonucu ile bulanık granüllerle temsil edilen uyarlanabilir bir çözüm havuzu korunur. Yeni bir birey, var olan bilinen bir bulanık granüle yeterince benziyorsa, bunun yerine bu granülün uygunluğu bir tahmin olarak kullanılır. Aksi takdirde, bu birey havuza yeni bir bulanık granül olarak eklenir. Havuz boyutu ve her bir granülün etki yarıçapı uyarlanabilirdir ve her bir granülün kullanımına ve genel popülasyon uygunluğuna bağlı olarak büyüyecek / küçülecektir. Daha az işlev değerlendirmesini teşvik etmek için, her bir granülün etki yarıçapı başlangıçta büyüktür ve evrimin sonraki aşamalarında kademeli olarak küçülür. Bu, daha benzer ve yakınsayan çözümler arasında rekabetin şiddetli olduğu durumlarda daha kesin fitness değerlendirmelerini teşvik eder. Ayrıca havuzun fazla büyümesini önlemek için kullanılmayan granüller kademeli olarak elimine edilir.

Ek olarak, AFFG, insan bilişinin iki özelliğini yansıtır: (a) taneciklik (b) benzerlik analizi. Bu granülasyon tabanlı spor yaklaşım düzeni de dahil olmak üzere çeşitli mühendislik optimizasyon sorunları çözmek için uygulanır gizli bilgileri tespit bir mesafede filigranlı sinyalin çeşitli yapısal optimizasyon problemlerinin yanı sıra.

Ayrıca bakınız


Referanslar