【文献阅读笔记】综述2005 《A Comprehensive Survey of Fitness Approximation in Evolutionary Computation》

• 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

• 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