Sussurro的博客

进化计算算法已成功应用于多种全局优化问题，但近几十年来优化问题中的新困难也给进化计算算法带来了巨大的挑战。例如在大数据环境中，复杂优化问题就像许多其他大数据问题一样，总是存在所谓的4-V挑战，即Volume、Velocity、Variety和Value，它们分别指数据量、变化速度、数据范围和数据有效性。具体来说，这些复杂优化问题通常是大规模的、动态的、有许多局部/全局最优的、有约束条件的、多目标的，并且具有非常昂贵目标函数评估的。

昂贵优化问题（Expensive optimization problem, EOP）是指需要花费昂贵的甚至无法负担的成本来评估候选解的问题，这种问题广泛存在于许多重要的现实应用中。进化计算（Evolutionary computation, EC）算法由于可以在不需要梯度信息的情况下高效地找到令人满意的解，被广泛应用于求解昂贵优化问题。

数据驱动的进化算法可以有助于解决昂贵和计算密集的问题。然而仍然存在两个难点问题：首先许多现有的构建单一临时代理模型的方法适用于一些特殊问题，但可能不适用于其他问题；其次如果没有足够的可用数据来构建精确的代理模型，DDEA的优化精度会下降。为此本文提出了一种具有两个有效组件的新型DDEA算法。首先提出了一种用于自我感知模型管理的提升策略，该策略可以迭代地构建和集成代理，以针对不同问题获得合适的代理模型。其次提出了一种局部数据生成方法，通过数据位置逼近适应度来生成合成数据，以缓解数据短缺问题，增加数据量。

进化计算(Evolutionary Computation, EC)算法是受自然界进化现象和群智能的启发而发展起来的一种基于种群的优化求解工具。由于EC算法的简单性和不需要梯度信息，在过去的几十年里已经发展出了多种进化算法并被广泛应用于解决各种优化问题。EC算法从可行解（个体）的初始种群开始，通过复制操作（如交叉和变异）迭代生成新的解（后代）。然后通过基于适应度评估(Fitness Evaluation, FE)的挑选，具有更好适应度值的个体有更大的机会生存到下一代，从而传播高质量的解。