Se denomina aproximación de aptitud (fitness approximation en inglés)Y. Jin. A comprehensive survey of fitness approximation in evolutionary computation. Soft Computing, 9:3–12, 2005 a un procedimiento informático que tiene como propósito aproximar una función objetivo mediante optimización evolutiva, valiéndose de la creación de modelos de aprendizaje automático basados en datos recopilados a partir de simulaciones numéricas o experimentos físicos. Los modelos de aprendizaje automático para la aproximación de aptitud también se conocen como metamodelos o sustitutos, y la optimización evolutiva basada en evaluaciones de aptitud aproximadas también se conoce como aproximación evolutiva asistida por sustitutos. Surrogate-assisted evolutionary computation: Recent advances and future challenges. Swarm and Evolutionary Computation, 1(2):61–70, 2011 La aproximación de la función de aptitud en la optimización evolutiva puede considerarse una subárea de la optimización evolutiva basada en datos. Y. Jin, H. Wang, T. Chugh, D. Guo and K. Miettinen. Data-driven evolutionary optimization -- An Overview and Case Studies or black-box optimization. 23(3):442-459, 2019
Modelos aproximados en la optimización de funciones
Motivación En muchos problemas de optimización del mundo real, incluyendo problemas de ingeniería, el número de evaluaciones de la función de aptitud necesarias para obtener una buena solución domina el costo de la optimización. Para obtener algoritmos de optimización eficientes, es crucial utilizar la información previa obtenida durante el proceso de optimización. Conceptualmente, un enfoque natural para utilizar la información previa conocida es construir un modelo de la función de aptitud para caracterizar la selección de soluciones candidatas para la evaluación. Se han considerado diversas técnicas para construir dicho modelo, a menudo también denominados modelos sustitutos, metamodelos o modelos de aproximación para problemas de optimización computacionalmente costosos.
Enfoques Enfoques comunes para construir modelos aproximados basados en el aprendizaje y la interpolación a partir de valores de aptitud conocidos de una población pequeña incluyen:
Polinomios de grado bajo y modelos de regresión Modelo sustituto de FourierManzoni, 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. Redes neuronales artificiales, incluyendo: Perceptrón multicapa RNA de base radial,J. -Y. Li, Z. -H. Zhan, C. Wang, H. Jin and J. Zhang, Boosting Data-Driven Evolutionary Algorithm With Localized Data Generation in IEEE Transactions on Evolutionary Computation, doi: 10.1109/TEVC.2020.2979740 yJ. -Y. Li, Z. -H. Zhan, H. Wang and J. Zhang, Data-Driven Evolutionary Algorithm With Perturbation-Based Ensemble Surrogates in IEEE Transactions on Cybernetics, doi: 10.1109/TCYB.2020.3008280 Máquina de vectores de soporte
Debido al número limitado de muestras de entrenamiento y la alta dimensionalidad que se presentan en la optimización del diseño de ingeniería, la construcción de un modelo aproximado globalmente válido sigue siendo difícil. Como resultado, los algoritmos evolutivos que utilizan dichas funciones de aptitud aproximadas pueden converger a óptimos locales. Por lo tanto, puede ser beneficioso utilizar selectivamente la función de aptitud original junto con el modelo aproximado.
Véase también Aprendizaje por refuerzo inverso Aprendizaje por refuerzo a partir de retroalimentación humana
Referencias
Enlaces externos Lista completa de referencias sobre Aproximación de Aptitud en Computación Evolutiva, por Yaochu Jin.
El algoritmo de Granulación de Aptitud Difusa Adaptativa (AFFG) Diseñado para acelerar la tasa de convergencia de EAs.
Categoría:Algoritmos evolutivos Categoría:Aprendizaje automático Categoría:Algoritmos y métodos de optimización