通过代理辅助照明实现多样化设计的数据高效探索、优化与建模
神经与进化计算
2017-08-01 v2 机器学习
摘要
MAP-Elites 算法产生一组根据用户定义特征变化的高性能解。该技术有潜力成为设计空间探索的强大工具，但受限于需要大量评估。本文引入的代理辅助照明算法(SAIL)集成了近似模型和目标函数的智能采样，以最小化 MAP-Elites 所需的评估次数。SAIL 高效生成精确模型和多样化高性能解的能力在一个二维翼型设计问题上得到展示。搜索空间被划分为多个箱子，每个箱子容纳一个具有不同特征组合的设计。在每个箱子中，SAIL 产生比 MAP-Elites 性能更好的解，并且需要的评估次数少几个数量级。CMA-ES 算法被用于在每个箱子中生成最优设计：利用 CMA-ES 在单个箱子中找到近最优解所需的相同评估次数，SAIL 在每个箱子中找到相似质量的解。
引用
@article{arxiv.1702.03713,
title = {Data-Efficient Exploration, Optimization, and Modeling of Diverse Designs through Surrogate-Assisted Illumination},
author = {Adam Gaier and Alexander Asteroth and Jean-Baptiste Mouret},
journal= {arXiv preprint arXiv:1702.03713},
year = {2017}
}
备注
Genetic and Evolutionary Computation Conference 2017