Dependiendo del costo computacional de la evaluación de su función, tiene dos caminos de acciones.
Evaluación costosa de la función:
El algoritmo genético descarta su evaluación de la función de todas las generaciones anteriores, que deben reutilizarse para reducir el costo computacional. El uso del metamodelo es una de las mejores opciones, donde junto con la solución óptima global, se obtendrá un mapa completo de la función como subproducto.
- ¿Cuáles son los temas más candentes en matemáticas aplicadas?
- ¿Debo informarle a mi jefe si planeo solicitar un doctorado?
- ¿Cuál es la investigación más emocionante en informática en 2010? ¿Por qué es emocionante?
- ¿Qué es una lista de investigadores en UCLA que están trabajando en la investigación de aprendizaje automático?
- Soy un estudiante de ciencias de la computación en el segundo año y estoy obteniendo buenas calificaciones, pero aún no estoy satisfecho. Quiero ser parte de grandes organizaciones y quiero utilizar mi tiempo, pero no sé cómo hacerlo. ¿Cómo puedo utilizar mi tiempo en proyectos beneficiosos?
- Cree un metamodelo o sustituto para su función, que su algoritmo genético pueda utilizar para la evaluación de la función.
- Una vez que el algoritmo genético predice cualquier candidato óptimo, se evaluará mediante la evaluación original.
- Dichos candidatos y sus respectivos valores de función se usarán para entrenar más al sustituto.
- Por lo general, las redes neuronales artificiales supervisadas se utilizan para metamodelos, ya que el aprendizaje profundo es bastante exitoso ahora para la generalización de cualquier mapeo.
Evaluación de la función no costosa:
Definitivamente, el mismo algoritmo genético con una población más grande o un conjunto de algoritmos genéticos múltiples o una partición especializada diferente entre la población se puede usar como se menciona en otras respuestas.
La mutación es la única operación genética, que trae nuevos genes a la población. Por lo tanto, puedes jugar con la mutación para evitar la llegada rápida al local óptimo.
Después de la optimización mediante el algoritmo genético, puede optimizar aún más con la optimización de enjambre de partículas u otras variantes de cálculo evolutivo.
No convertir en marco de objetivo único:
A menudo, los problemas de optimización de objetivos múltiples se convierten en optimización de objetivo único a través de la suma del cuadrado de errores (~ norma L2). Pero, ahora la optimización multi-objetivo está funcionando bien. Además, en presencia de objetivos contradictorios, el marco de objetivo único equivalente no funcionará bien, donde el marco de objetivos múltiples proporcionará claramente el Frente de Pareto y hay contradicciones.
Intenta obtener Gradient o cualquier Variante de Gradient:
GD usa GA: si conoce el gradiente de su función, intente con el descenso de gradiente o cualquier variante de descenso de gradiente para la optimización global. La población inicial se requiere con diferentes condiciones iniciales para el descenso del gradiente. La próxima generación se obtendrá a través de operaciones genéticas en condiciones iniciales.
GA usa GD: si falla, intente el descenso de gradiente como operador de mutación del algoritmo genético para obtener el mejor punto más cercano.
