基于代理辅助照明的低数据需求设计探索
机器学习
2018-06-18 v1 计算工程、金融与科学
机器学习
神经与进化计算
摘要
设计优化技术常用于设计过程之初以探索可能设计的空间。在这些领域中，照明算法（如 MAP-Elites）是经典优化算法大有希望的替代方案，因为它们在单次运行中产生多样且高质量的解决方案，而非仅产生单个近最优解。遗憾的是，这些算法目前需要大量函数求值，限制了其适用性。本文中我们引入一种新的照明算法——代理辅助照明（Surrogate-Assisted Illumination, SAIL），其利用代理建模技术，在最小化适应度求值次数的同时，依据用户定义的特征创建设计空间的地图。在一个二维翼型优化问题上，SAIL 产生的数百个多样且高性能的设计所需的求值次数比 MAP-Elites 或 CMA-ES 少几个数量级。我们证明 SAIL 也能在具有精确流动模拟的现实三维气动任务中产生高性能设计的地图。借助 SAIL 的低数据需求设计探索可帮助设计者通过考虑超越纯基于目标的优化，来理解何为可能而不仅何为最优。
引用
@article{arxiv.1806.05865,
title = {Data-Efficient Design Exploration through Surrogate-Assisted Illumination},
author = {Adam Gaier and Alexander Asteroth and Jean-Baptiste Mouret},
journal= {arXiv preprint arXiv:1806.05865},
year = {2018}
}
备注
ArXiv preprint version, final version published in Evolutionary Computation, doi: 10.1162/evco_a_00231