迈向可解释的元启发式：挖掘代理适应度模型以揭示变量重要性
神经与进化计算
2022-06-29 v1 人工智能
摘要
元启发式搜索算法寻找使一组目标（如成本或性能）最大化或最小化的解。然而，大多数现实世界的优化问题由具有复杂约束和冲突目标的非线性问题构成。GA 得到解的过程对最终用户仍基本未得到解释。理解不足的解会削弱用户对所得解的信心。我们提出，研究所强烈影响解质量的变量及其关系，将是迈向解释元启发式所给出的近最优解的一步。通过四个基准问题，我们利用遗传算法（GA）生成的种群数据训练代理模型，并研究代理模型对搜索空间的学习。我们比较代理模型在仅以第一代生成的种群数据训练后所学到的内容，并与以所有代种群数据训练的代理模型进行对比。我们表明，随着代理模型在每一代种群数据上训练，它会挑出问题的主要特征。通过挖掘代理模型，我们可以构建 GA 学习过程的图景，从而解释 GA 给出的解。其旨在建立最终用户对 GA 所求解的信任与信心，并促进该模型的采用。
引用
@article{arxiv.2206.14135,
title = {Towards Explainable Metaheuristic: Mining Surrogate Fitness Models for Importance of Variables},
author = {Manjinder Singh and Alexander E. I. Brownlee and David Cairns},
journal= {arXiv preprint arXiv:2206.14135},
year = {2022}
}