利用演化规则学习对立面

对立学习（opposition-based learning）的概念于 10 年前被提出。此后，一群引人注目的研究人员利用某种对立性概念改进了现有的优化和学习算法。除其他外，进化算法、强化智能体和神经网络据报已被扩展为其对立版本，从而变得更快和/或更准确。然而，大多数工作仍使用一种简单的对立概念，即线性（或 I 型）对立，它为每个 $x\in[a,b]$ 分配其对立面为 $\breve{x}_I=a+b-x$。当然，这是对实际或真实（非线性）对立 $\breve{x}_{II}$（文献中称为 II 型对立）的一种非常幼稚的估计。在缺乏关于我们需要逼近的函数 $y=f(\mathbf{x})$ 的任何知识时，如果意图利用对立概念，似乎除了 I 型对立的幼稚性外别无选择。但问题是，如果根据文献中的所有报告，使用幼稚的对立估计 $\breve{x}_I$ 能够获得一定程度的精度提升和时间节省，那么如果我们生成并采用真实的对立面，我们将能在更高精度和进一步降低计算复杂度方面获得什么？本文介绍了一种在首先执行对立挖掘后，利用演化模糊规则逼近 II 型对立的方法。我们通过多个示例表明，当我们从训练数据中挖掘对立面以随后逼近 $\breve{x}_{II}=f(\mathbf{x},y)$ 时，学习真实对立面是可行的。