Doubly trained evolution control for the surrogate CMA-ES

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00023752%3A_____%2F16%3A43915095" target="_blank" >RIV/00023752:_____/16:43915095 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/67985807:_____/16:00466878

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007%2F978-3-319-45823-6_6" target="_blank" >http://link.springer.com/chapter/10.1007%2F978-3-319-45823-6_6</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-45823-6_6" target="_blank" >10.1007/978-3-319-45823-6_6</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Doubly trained evolution control for the surrogate CMA-ES

Popis výsledku v původním jazyce

This paper presents a new variant of surrogate-model utilization in expensive continuous evolutionary black-box optimization. This algorithm is based on the surrogate version of the CMA-ES, the Surrogate Covariance Matrix Adaptation Evolution Strategy (S-CMA-ES). Similarly to the original S-CMA-ES, expensive function evaluations are saved through a surrogate model. However, the model is retrained after the points in which its prediction was most uncertain have been evaluated by the true fitness in each generation. We demonstrate that within small budget of evaluations, the new variant of S-CMA-ES improves the original algorithm and outperforms two state-of-the-art surrogate optimizers, except a few evaluations at the beginning of the optimization process.

Název v anglickém jazyce

Doubly trained evolution control for the surrogate CMA-ES

Popis výsledku anglicky

This paper presents a new variant of surrogate-model utilization in expensive continuous evolutionary black-box optimization. This algorithm is based on the surrogate version of the CMA-ES, the Surrogate Covariance Matrix Adaptation Evolution Strategy (S-CMA-ES). Similarly to the original S-CMA-ES, expensive function evaluations are saved through a surrogate model. However, the model is retrained after the points in which its prediction was most uncertain have been evaluated by the true fitness in each generation. We demonstrate that within small budget of evaluations, the new variant of S-CMA-ES improves the original algorithm and outperforms two state-of-the-art surrogate optimizers, except a few evaluations at the beginning of the optimization process.

Druh

D - Stať ve sborníku

CEP obor

FH - Neurologie, neurochirurgie, neurovědy

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

14th International Conference on Parallel Problem Solving from Nature, PPSN 2016; Edinburgh; United Kingdom; 17 September 2016 through 21 September 2016

ISBN

978-3-319-45822-9

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

10

Strana od-do

59-68

Název nakladatele

Springer International Publishing

Místo vydání

Cham

Místo konání akce

Edinburgh; United Kingdom

Datum konání akce

17. 9. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—