论文阅读Evolutionary Computation for Expensive Optimization: A Survey面向昂贵优化的进化计算

原创 已于 2022-03-01 21:48:06 修改 · 7.3k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法 #人工智能 #启发式算法

于 2022-03-01 16:22:41 首次发布
文章探讨了昂贵优化问题（EOP）在现代社会中的重要性，特别是在智慧城市和大数据时代的背景下。EOP指那些评估解决方案时需付出高昂代价的最优化问题。为应对这一挑战，文章提出了降低优化成本的三个关键方向，并展望了未来的研究趋势。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录


https://link.springer.com/article/10.1007/s11633-022-1317-4

1.昂贵优化问题

昂贵优化问题(Expensive Optimization Problem，EOP)是指在评估待选解决方案时，需要付出昂贵甚至难以承担的成本的一类最优化问题。随着社会的不断进步，以及智慧城市、物联网、大数据时代等带来的新兴挑战，更高效地解决EOP问题正成为推动各领域繁荣发展的必要条件。

2.降低成本的方式

降低优化成本的三个方向
在这里插入图片描述

3.未来的研究方向

在这里插入图片描述

《Evolutionary Computation for Expensive Optimization：A Survey》笔记
Sussurro的博客
04-09 4698
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。
进化算法——昂贵、有噪声与动态适应度函数
qq_43516656的博客
04-14 1461
1.昂贵适应度函数 在很多实际问题中，对适应度做一次评价会需要几分钟、几小时、几天甚至更长时间的计算或实验。我们在这里讨论如何减少适应度评价所需的时间以便降低进化算法对计算量的要求。 实际问题涉及的适应度函数常常包含下列的一种或多种特征： 做一次适应度函数评价需要数分钟、数小时、数天的时间； 不能以并行的方式评价适应度函数； 适应度函数评价的次数受到时间或其他资源的限制 下面几种方式有助于减少适应度函数评价的计算量。 对以评价过得个体不再计算其费用。 如果个体看起来很好或太差，可以缩短适应度函
昂贵优化问题的文献综述
xiaozhan__的博客
12-15 1066
中，首先初始化种群，再对初始种群进行真实评价， 然后用这些真实样本训练代理模型，接着对种群进行迭代优化，此过程中用代理模型替代真实评价，优化后选择少量个体真实评价，最后当满足终止条件时输出最优解。假如目标函数是一个复杂的山地，克里金模型不仅会用网布铺开山地的形状，还会告诉你哪些地方的网布铺得精确（误差小），哪些地方铺得不够精确（误差大）。径向基函数模型更像是用一个“弹力网”来覆盖目标函数的表面，每个网点会根据周围的高度做出调整，整个模型会把目标函数的形状像“网布”一样铺展开来。
论文研读-用于处理昂贵问题的广义多任务优化GMFEA
泛用演化计算、通用人工智能优化模型
09-26 955
论文研读-用于处理昂贵问题的广义多任务优化GMFEA Generalized Multitasking for Evolutionary Optimization of Expensive Problems GMFEA 觉得有用的话,欢迎一起讨论相互学习~ 此篇文章为 J. Ding, C. Yang, Y. Jin, T. Chai, Generalized Multitasking for Evolutionary Optimization of Expensive Problems, IEEE
A Classifier-Assisted Level-Based Learning Swarm Optimizer for Expensive Optimization 笔记
aduvhai的博客
06-05 552
大体流程就是 LHS初始化-->LLSO-->GBDT-->L1 exploitation-->粒子选择算法-->LLSO .....
G-MFEA--构建多任务优化框架解决昂贵优化问题
qq_41169272的博客
02-29 1181
https://github.com/intLyc/MTO-Platform，可以在MTO-Platform中找到G-MFEA的代码。
2.[论文解析] TSMC 2023 求解昂贵不等式约束优化问题的两阶段代理辅助差分进化算法
Y
10-13 391
本文提出了一种高效的两阶段代理辅助DE来处理昂贵的不等式约束，将其命名为eToSA-DE。与大多数现有的 ECOP 的 SAEA 不同，eToSA-DE 仅针对约束违反程度训练一个代理来解决问题，从而仅提供约束违反情况。根据已知可行个体的数量，进化过程分为两个阶段。第一阶段，建立GP回归模型来搜索更多可行区域的信息。在第二阶段，构建SVM分类模型以进行鲁棒预测。为了适应更令人信服的可行性结构，设计了边界训练数据选择策略。它在可行的边界周围选择个体来训练代理人的约束。
《A Survey on Evolutionary Computation for Complex Continuous Optimization》笔记
Sussurro的博客
04-12 954
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。
机器学习中optimization问题
weixin_38229851的博客
04-26 1567
-# NYU-7143-Notes-for-optimization-problems ## Convergence rate - 虽然optimization问题多用于基础研究，工程使用时有多种python库可供调用，但是了解其原理，一是有助于更好的选择optimization function，二是costumize自己的optimiation function（竞赛中常常用到）。 - 课程涉...
【思维导图】一张图让你了解超参数优化！
神经美学_茂森的博客
04-19 5753
原文链接： https://blog.floydhub.com/guide-to-hyperparameters-search-for-deep-learning-models/ Practical Guide to Hyperparameters Optimization for Deep Learning Models Are you tired of babysitting your DL...
优化软件推荐
stereohomology
01-21 4700
http://www.mat.univie.ac.at/~neum/glopt/software_l.html Local Optimization Software Global Search, As Timely As Ever ``Consider everything. Keep the good. Avoid evil whenever you notice i
关于 最优化/Optimization 的一些概念解释
shenxiaolong188的博客
12-09 3598
转载请注明出处：http://www.codelast.com/   以下是我曾在学习“最优化”理论与实践中遇到的一些概念，我刚开始学的时候，有些东西看了很多遍都还觉得很别扭、晦涩难懂，在比较清楚地理解了之后，我打算把它们写下来，并试图以很通俗、但可能不十分严谨的方式解释、呈现出来，以使一部分正在这些概念中挣扎的人能有所解脱。 但是，请注意：有一些是我
数值优化（Numerical Optimization）学习系列-线性规划（Linear Programming）
fangqingan_java的专栏
12-27 8987
概述 线性规划问题是指目标和约束函数都是线性的最简单的约束最优化问题，也是在实际中最长使用的模型之一。其求解算法也是相对成熟，各个代数软件中都会有求解该问题的工具，本节主要介绍： 1. 线性规划的基本形式已经对偶 2. 线性规划两类求解算法：单纯形和内点法 3. 总结 线性规划问题 标准形式 线性规划的标准形式通常表示为min cTx,s.t Ax=b, x
优化算法一点心得
xingdu_的博客
05-05 1611
优化算法，例如梯度，启发式，贝叶斯优化等等，当然很多地方叫的不一样。比如在工科领域，我们叫启发式算法，Kriging代理模型，在机器学习中，我们可能叫随机搜索，基于高斯过程的贝叶斯优化，反正都是一类东西，没有明显界限，可能有稍微不同，但是可以认为是一样的。 那么这么多优化算法有什么优缺点呢？我们通常都是想找到一个全局最优解，不管是最大值还是最小值，而不是找到一个极点。通常叫EGO...
英国萨里大学金耀初教授：进化计算在人工智能领域的发展
weixin_30387663的博客
03-10 474
专访英国萨里大学金耀初教授：进化计算在人工智能领域的发展 作为基于种群的全局优化算法，进化算法（Evolutionary Algorithm)不需要目标函数的可解释性，这些年在计算代价昂贵优化问题，多目标优化问题，鲁棒优化问题等领域获得了广泛的应用和发展。 金耀初教授 英国萨里大学“计算智能”首席教授，是进化算法研究领域的国际领军人物，在进化算法方面发表论文200余篇，Goo...
谈谈性能优化问题
keep789的博客
09-18 1413
代码层面：避免使用CSS表达式，避免使用CSS Filter，避免使用高级选择器，通配选择器。 缓存利用：缓存Ajax，使用CDN，使用外部js和css文件以便缓存，添加Expires头，服务端配置Etag，减少DNS查找等 请求数量：合并样式和脚本，使用css图片精灵，初始首屏之外的图片资源按需加载，静态资源延迟加载。 请求带宽：压缩文件，开启GZIP， 代码层面的优化 用hash...
《Boosting Data-Driven Evolutionary Algorithm With Localized Data Generation》笔记
Sussurro的博客
04-13 814
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。
计数组合学7.20（平面分拆与RSK算法)
weixin_74905422的博客
08-22 1079
实际上，一个反半标准杨表（reverse SSYT）就是一种特殊的平面分拆（移除了无关的0），事实上，在我们定义反半标准杨表时，我们提到了另一个术语“列严格平面分拆”。本节和接下来的两节将致力于讨论整数分拆的一个引人入胜的推广，称为“平面分拆”。我们将基于 RSK 算法以及一种将一对同形状的反半标准杨表合并成单个平面分拆的简单方法，给出一个优雅的双射证明。当我们考虑 RSK 算法的对称性结果定理 7.13.1 时，定理 7.20.1 的一个很好的变体就出现了。的每一列都是互异奇数部分的分拆。
力扣（在排序数组中查找元素的第一个和最后一个位置）
最新发布
weixin_52811458的博客
08-22 1122
本文解析了LeetCode 34题，探讨如何在有序数组中高效查找目标值的起始和结束位置。通过分析原始代码的复杂度问题，提出优化方案：采用两次独立的二分查找，分别定位左边界（第一个等于目标值的位置）和右边界（最后一个等于目标值的位置）。优化后的代码逻辑更清晰，时间复杂度保持O(log n)，空间复杂度为O(1)。关键点在于正确处理二分查找的边界条件，先验证左边界有效性，再推导右边界，确保结果准确。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值