Аппроксимация пригодности [1] направлена на аппроксимацию целевых функций или функций приспособленности в эволюционной оптимизации путем построения моделей машинного обучения на основе данных, собранных в результате численного моделирования или физических экспериментов. Модели машинного обучения для аппроксимации приспособленности также известны как метамодели или суррогаты, а эволюционная оптимизация, основанная на аппроксимированных оценках приспособленности, также известна как эволюционная аппроксимация с суррогатной поддержкой. [2] Приближение пригодности в эволюционной оптимизации можно рассматривать как подобласть эволюционной оптимизации, управляемой данными. [3]
Во многих реальных задачах оптимизации, включая инженерные, количество оценок функции приспособленности, необходимых для получения хорошего решения, доминирует над стоимостью оптимизации . Чтобы получить эффективные алгоритмы оптимизации, крайне важно использовать предварительную информацию, полученную в процессе оптимизации. Концептуально естественным подходом к использованию известной априорной информации является построение модели функции приспособленности, которая поможет выбрать возможные решения для оценки. Были рассмотрены различные методы построения такой модели, часто также называемые суррогатами, метамоделями или аппроксимационными моделями, для задач оптимизации, требующих больших вычислительных затрат.
Общие подходы к построению приближенных моделей, основанных на обучении и интерполяции известных значений приспособленности небольшой популяции, включают:
Из-за ограниченного количества обучающих выборок и высокой размерности, встречающихся при оптимизации инженерного проектирования, построение глобально допустимой приближенной модели остается сложной задачей. В результате эволюционные алгоритмы, использующие такие приближенные функции приспособленности, могут сходиться к локальным оптимумам . Следовательно, может быть полезно выборочно использовать исходную функцию фитнеса вместе с приближенной моделью.
