-
Abstract
- 本文主要回顾了估计精度,模型管理方法,模型构建方法
-
1 Introduciton
- 目前适应值估计的常用方法:
- 多项式
- 高斯过程
- 前馈神经网络
- SVM
- 模型管理:估计模型和真实函数应该共同使用
- 如何提高估计模型的精度
- 模型的选择
- 数据的采样和权重
- 训练方法的选择
- 误差测量的选择
- 目前适应值估计的常用方法:
-
2 Motivations 使用估计模型的一些原因
- 适应值的计算十分费时
- 没有明确的计算模型
- 有环境噪声
- 函数是多模态的(波动较多,不够平滑)
- 在不改变全局最优值位置的情况下,让估计模型逼近原函数且平滑掉一些局部最优值。推荐:使用Gaussian kernel来实现coarse-to-fine地平滑化real function
-
3 估计的层次
- 问题估计problem approximation
- 用一个更简单的近似问题来替代原问题(e.g.实验变仿真,3D变2D)
- 函数估计functional approximation
- 构造一个显示表达式来替代原目标函数
- 进化估计evolutionary approximation
- “适应值继承”方法:用父代的适应值来评估子代的适应值
- “适应值模仿”方法:将所有个体聚类,只评估每
- 问题估计problem approximation
【文献阅读笔记】综述2005 《A Comprehensive Survey of Fitness Approximation in Evolutionary Computation》
最新推荐文章于 2022-03-22 11:14:20 发布