中文字幕有码在线播放,97人妻无码一区二区精品免费

本書旨在為包括研究生和工業(yè)從業(yè)者在內(nèi)的研究人員提供有關(guān)為數(shù)據(jù)驅(qū)動的進化優(yōu)化而開發(fā)的最新方法的全面描述。本書共分12章，第1~4章簡要介紹了優(yōu)化、進化計算和機器學習中精心挑選的重要主題和方法。第5章提供了數(shù)據(jù)驅(qū)動優(yōu)化的基礎知識，包括啟發(fā)式算法和基于獲取函數(shù)的代理模型管理。第6章介紹使用多個代理模型進行單目標優(yōu)化的方法。第7~8章中描述用于求解多目標和多目標優(yōu)化算法的代表性進化算法以及代理模型輔助數(shù)據(jù)驅(qū)動的進化多目標和多目標優(yōu)化。第9章詳細闡述了高維數(shù)據(jù)驅(qū)動優(yōu)化的方法。第10章描述遷移學習和遷移優(yōu)化。第11章討論離線數(shù)據(jù)驅(qū)動的進化優(yōu)化，以翼型設計優(yōu)化等實際優(yōu)化問題為例、原油蒸餾優(yōu)化和急救系統(tǒng)優(yōu)化。最后，第12章強調(diào)了深度神經(jīng)架構(gòu)搜索作為數(shù)據(jù)驅(qū)動的昂貴優(yōu)化問題。

1999年，我從美國回到德國，在奧芬巴赫的本田歐洲研究所擔任研究科學家職位，完成我的第二個博士學位，同時開始研究進化優(yōu)化中的適應度近似。當時的動機是使用進化算法，特別是進化策略，通過設計定子或轉(zhuǎn)子葉片的幾何形狀來優(yōu)化渦輪發(fā)動機的空氣動力學性能。為了完成這項任務，必須執(zhí)行耗時的計算流體動力學模擬，這會讓人們不用再進行數(shù)以萬計的適應度評估，盡管這通常在進化優(yōu)化中完成。為了減少進化空氣動力學優(yōu)化的時間消耗，機器學習模型(也稱為元模型或代理模型)中的適應度近似開始發(fā)揮作用。我對這個研究課題非常感興趣，因為它提供了一個很好的平臺，將進化計算與神經(jīng)網(wǎng)絡相結(jié)合，這是我感興趣的兩個課題。出于這個原因，我努力在進化計算社區(qū)中推廣這個新領(lǐng)域，并且在我2010年加入薩里大學后一有機會就繼續(xù)研究這個主題。

在過去的二十年里，進化優(yōu)化中的適應度近似（也稱為代理模型輔助進化優(yōu)化）已經(jīng)發(fā)展成為一個非常具有吸引力的研究領(lǐng)域，現(xiàn)在被稱為數(shù)據(jù)驅(qū)動的進化優(yōu)化。數(shù)據(jù)驅(qū)動的進化優(yōu)化側(cè)重于一類現(xiàn)實世界的優(yōu)化問題，其中無法為目標或約束建立分析數(shù)學函數(shù)。一般來說，數(shù)據(jù)驅(qū)動的優(yōu)化可能包括以下幾種情況。首先，基于模擬的優(yōu)化，其中解的質(zhì)量通過迭代、計算密集型過程進行評估，適用范圍從數(shù)值求解大量微分方程到在大量數(shù)據(jù)集上訓練深度神經(jīng)網(wǎng)絡。其次，基于物理實驗的優(yōu)化，其中候選解的目標或約束值只能通過執(zhí)行物理或模擬人體實驗來評估。這通常是因為對整個系統(tǒng)進行高質(zhì)量的計算機模擬是不可能的，要么是因為計算量太大（例如，對整個飛機的空氣動力學進行數(shù)值模擬），要么是因為對過程尚未完全理解而難以處理（例如，人類決策過程的工作機制）。最后，在純粹的數(shù)據(jù)驅(qū)動優(yōu)化中，只有在現(xiàn)實生活中收集的數(shù)據(jù)可用于優(yōu)化，并且不允許利用用戶設計的計算機模擬或物理實驗。例如，優(yōu)化復雜的工業(yè)過程或社會系統(tǒng)。在上述所有情況下，收集的數(shù)據(jù)量或大或小，數(shù)據(jù)可能是異構(gòu)的、含噪的、錯誤的、不完整的、分布不均或增量的。

顯然，數(shù)據(jù)驅(qū)動的進化優(yōu)化涉及3個不同但互補的科學學科，即進化計算、機器學習和深度學習以及數(shù)據(jù)科學。為了高效地解決數(shù)據(jù)驅(qū)動的優(yōu)化問題，必須對數(shù)據(jù)進行適當?shù)念A處理。同時，機器學習技術(shù)對于處理大數(shù)據(jù)、數(shù)據(jù)匱乏和數(shù)據(jù)中的各種不確定性變得不可或缺。最后，當優(yōu)化問題是高維或大規(guī)模、多目標和時變時，求解優(yōu)化問題變得極其困難。

本書旨在為包括研究生和工業(yè)從業(yè)者在內(nèi)的研究人員提供有關(guān)為數(shù)據(jù)驅(qū)動的進化優(yōu)化而開發(fā)的最新方法的全面描述。本書共分12章。為了本書的自足性，第1~4章簡要介紹了優(yōu)化、進化計算和機器學習中精心挑選的重要主題和方法。第5章提供了數(shù)據(jù)驅(qū)動優(yōu)化的基礎知識，包括啟發(fā)式算法和基于獲取函數(shù)的代理模型管理。第6~8章介紹使用多個代理模型進行單目標優(yōu)化的方法，其中第7章和第8章描述用于求解多目標和高維多目標優(yōu)化算法的代表性進化算法以及代理模型輔助數(shù)據(jù)驅(qū)動的進化多目標和高維多目標優(yōu)化。第9章詳細闡述了高維數(shù)據(jù)驅(qū)動優(yōu)化的方法，介紹了在半監(jiān)督學習的幫助下，將知識從未標記數(shù)據(jù)轉(zhuǎn)移到標記數(shù)據(jù)，從廉價目標遷移到昂貴目標、從廉價問題遷移到昂貴問題的大量技術(shù)，遷移學習和遷移優(yōu)化在第10章中進行了描述。由于數(shù)據(jù)驅(qū)動優(yōu)化是一個強應用驅(qū)動的研究領(lǐng)域，因此第11章討論了離線數(shù)據(jù)驅(qū)動的進化優(yōu)化，并給出了實際優(yōu)化問題，如原油蒸餾優(yōu)化和急救系統(tǒng)優(yōu)化的例子。最后，第12章強調(diào)了深度神經(jīng)架構(gòu)搜索作為數(shù)據(jù)驅(qū)動的昂貴優(yōu)化問題。

本書的3．5節(jié)和3．6節(jié)、4．2節(jié)、5．2節(jié)、6．4節(jié)和6．5節(jié)、7．2節(jié)和7．3節(jié)、9．6節(jié)和9．7節(jié)、11．1節(jié)和11．3節(jié)和第12章由王晗丁撰寫，3．7節(jié)和3．8節(jié)、5．4．1節(jié)、5．5節(jié)、6．2節(jié)和6．3節(jié)、9．2節(jié)和9．3節(jié)和第10章由孫超利撰寫。王晗丁在20152018年擔任博士后研究員；孫超利最初在20122013年作為學術(shù)訪問者，在20152017年在我的薩里小組擔任博士后研究員。

為了讓讀者更容易理解和使用本書中介紹的算法，提供了第5~12章中介紹的大多數(shù)數(shù)據(jù)驅(qū)動進化算法的源代碼，可掃描下頁二維碼下載，本書中介紹的所有基線多目標進化算法都是在PlatEMO中實現(xiàn)的。PlatEMO是一種用于進化多目標優(yōu)化的開源軟件工具。

如果沒有我以前的許多同事、合作者和博士生的支持，這本書是不可能完成的。首先，要感謝Bernhard Sendhoff教授和Markus Olhofer教授，我在19992010年與他們一起在本田歐洲研究所工作。在2010年加入薩里大學后，我和Markus仍然在一些關(guān)于進化優(yōu)化的研究項目上保持著密切的合作。我還要感謝來自芬蘭于韋斯屈萊（Jyvskyl）大學的Kaisa Miettinen教授，在20152017年，我作為特聘教授與他密切合作，研究進化多目標優(yōu)化。感謝來自中國東北大學的柴天佑教授和丁進良教授，我也作為長江特聘教授與他們合作進行進化優(yōu)化的研究。以下合作者以及我以前或現(xiàn)在的博士生對本書中的部分工作做出了貢獻： YewSoon Ong教授、Jrgen Branke教授、張青富教授、張興義教授、周愛民教授、程然教授、孫曉燕教授。Ingo Paenke、Tinkle Chugh博士、John Doherty、郭單博士、楊翠娥博士、田野博士、何成博士、Dudy Lim博士、Mingh Nhgia Le博士、田杰博士、于海波博士、喻果博士、Michael Hsken博士、李慧婷、王曦璐、秦淑芬、王浩、付國霞、廖鵬、Sebastian Schmitt、高開來、Jussi Hakanen博士、Tatsuya Okabe博士、孫亞楠博士、Jan O．Jansen博士、Martin Heiderich、黃元君博士、Tobias Rodemann博士。我還要借此機會感謝姚新教授、Gary Yen教授、Kay Chen Tan教授、張孟杰教授、Richard Everson教授、Jonathon Fieldsend教授、Stefan Kurz教授、Edgar Krner教授和Andreas Richter在過去二十年的鼎力支持。最后，感謝EPSRC(英國)、TEKES(芬蘭)、中國國家自然科學基金、本田歐洲研究院、本田歐洲研發(fā)中心和德國博世公司的資金支持。

金耀初2021年2月于英國吉爾福德

全書代碼

你還可能感興趣

我要評論