फिटनेस सन्निकटन

फिटनेस एप्प्रोक्सीमेंशन संख्यात्मक सिमुलेशन या भौतिक प्रयोगों से एकत्र किए गए डेटा के आधार पर मशीन लर्निंग प्रारूप का निर्माण करके विकासवादी ऑप्टिमाइज़ेशन में उद्देश्य या फिटनेस फंक्शनों का अनुमान लगाना है। फिटनेस एप्प्रोक्सीमेंशन के लिए मशीन लर्निंग प्रारूप को मेटा-मॉडल्स या सरोगेट के रूप में भी जाना जाता है, और अनुमानित फिटनेस मूल्यांकन के आधार पर इवोल्यूशनरी ऑप्टिमाइज़ेशन को सरोगेट-असिस्टेड इवोल्यूशनरी एप्प्रोक्सीमेंशन के रूप में भी जाना जाता है। इवोल्यूशनरी ऑप्टिमाइज़ेशन में फिटनेस एप्प्रोक्सीमेंशन को डेटा-ड्रिवेन इवोल्यूशनरी ऑप्टिमाइज़ेशन के उप-क्षेत्र के रूप में देखा जा सकता है।

फंक्शन ऑप्टिमाइज़ेशन में एप्प्रोक्सीमेट मॉडल्स

प्रेरणा

इंजीनियरिंग समस्याओं सहित कई वास्तविक संसार की ऑप्टिमाइज़ेशन समस्याओं में, उत्तम समाधान प्राप्त करने के लिए आवश्यक फिटनेस फंक्शन मूल्यांकन की संख्या ऑप्टिमाइज़ेशन (गणित) व्यय पर आच्छादित होती है। कुशल ऑप्टिमाइज़ेशन एल्गोरिदम प्राप्त करने के लिए, ऑप्टिमाइज़ेशन प्रक्रिया के समय प्राप्त पूर्व जानकारी का उपयोग करना महत्वपूर्ण है। वैचारिक रूप से, ज्ञात पूर्व जानकारी का उपयोग करने का प्राकृतिक दृष्टिकोण मूल्यांकन के लिए प्रत्याशी समाधानों के चयन में सहायता के लिए फिटनेस फंक्शन का प्रारूप बनाना है। कम्प्यूटेशनल रूप से उचित मूल्य ऑप्टिमाइज़ेशन समस्याओं के लिए ऐसे प्रारूप के निर्माण के लिए विभिन्न तकनीकों पर विचार किया गया है, जिन्हें प्रायः सरोगेट्स, मेटाप्रारूप या एप्प्रोक्सीमेंशन प्रारूप भी कहा जाता है।

दृष्टिकोण

अल्प जनसंख्या के ज्ञात फिटनेस मानों से सीखने और प्रक्षेप के आधार पर अनुमानित प्रारूप बनाने के सामान्य विधियों में सम्मिलित हैं:

• निम्न-डिग्री बहुपद और प्रतिगमन विश्लेषण प्रारूप
• फूरियर सरोगेट प्रारूप
• कृत्रिम न्यूरल नेटवर्क सहित
  • मल्टीलेयर परसेप्ट्रॉन
  • रेडियल आधार फंक्शन नेटवर्क
  • समर्थन सदिश मशीन

प्रशिक्षण प्रारूपों की सीमित संख्या और इंजीनियरिंग डिज़ाइन ऑप्टिमाइज़ेशन में आने वाली उच्च आयामीता के कारण, विश्व स्तर पर मान्य अनुमानित प्रारूप का निर्माण करना कठिन बना हुआ है। परिणामस्वरूप, ऐसे अनुमानित फिटनेस फंक्शनों का उपयोग करने वाले विकासवादी एल्गोरिदम स्थानीय ऑप्टिमा में परिवर्तित हो सकते हैं। इसलिए, अनुमानित प्रारूप के साथ मूल फिटनेस फंक्शन का चयन करना लाभदायक हो सकता है।

अनुकूली फजी फिटनेस ग्रैन्यूलेशन

अनुकूली फजी फिटनेस ग्रैनुलेशन (एएफएफजी) परिमित तत्व विधि या बायेसियन नेटवर्क संरचना की पुनरावृत्त फिटिंग में पारंपरिक कम्प्यूटेशनल रूप से उचित मूल्य बड़े स्तर पर समस्या विश्लेषण जैसे (एल-एसपीए) के स्थान पर फिटनेस फंक्शन के अनुमानित प्रारूप के निर्माण के लिए प्रस्तावित समाधान है।

अनुकूली फ़ज़ी फिटनेस ग्रैन्यूलेशन में, त्रुटिहीन गणना किए गए फिटनेस फंक्शन परिणाम के साथ, फजी लॉजिक ग्रैन्यूल द्वारा दर्शाए गए समाधानों का अनुकूली पूल बनाए रखा जाता है। यदि कोई नया व्यक्ति उपस्थित ज्ञात फजी ग्रेन्युल के समान पर्याप्त है, तो उस ग्रेन्युल की फिटनेस का उपयोग अनुमान के रूप में किया जाता है। अन्यथा, उस व्यक्ति को नए फजी ग्रेन्युल के रूप में पूल में जोड़ा जाता है। पूल का आकार और साथ ही प्रत्येक ग्रेन्युल का प्रभाव त्रिज्या अनुकूली है और प्रत्येक ग्रेन्युल की उपयोगिता और समग्र जनसंख्या फिटनेस के आधार पर बढ़ेगी या घटेगी। कम फंक्शन मूल्यांकन को प्रोत्साहित करने के लिए, प्रत्येक ग्रेन्युल के प्रभाव की सीमा प्रारंभ में बड़ी होती है और विकास के पश्चात के चरणों में धीरे-धीरे कम हो जाती है। यह अधिक त्रुटिहीन फिटनेस मूल्यांकन को प्रोत्साहित करता है जब प्रतिस्पर्धा अधिक समान और अभिसरण समाधानों के मध्य विकट होती है। इसके अतिरिक्त, पूल को अधिक बड़ा होने से प्रिवेंट करने के लिए, उपयोग नहीं किए जाने वाले सीड्स को धीरे-धीरे विस्थापित कर दिया जाता है।

इसके अतिरिक्त, एएफएफजी मानव अनुभूति की दो विशेषताओं (ए) ग्रैन्युलैरिटी (बी) समानता विश्लेषण को प्रतिबिंबित करता है। यह ग्रैनुलेशन-आधारित फिटनेस एप्प्रोक्सीमेंशन योजना कई संरचनात्मक ऑप्टिमाइज़ेशन समस्याओं के अतिरिक्त डिजिटल वॉटरमार्किंग से वॉटरमार्क को ज्ञात करने सहित विभिन्न इंजीनियरिंग ऑप्टिमाइज़ेशन समस्याओं का समाधान करने के लिए प्रारंभ की जाती है।

यह भी देखें

• इवोल्यूशनरी संगणना में फिटनेस अनुमान पर संदर्भों की पूर्ण सूची, याओचू जिन द्वारा
• एडेप्टिव फ़ज़ी फिटनेस ग्रैनुलेशन (एएफएफजी) का साइबर शेक इसे ईएएस की अभिसरण दर में तीव्रता लाने के लिए डिज़ाइन किया गया है।