Model-assisted evolutionary optimization with fixed evaluation batch size

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F12%3A00200871" target="_blank" >RIV/68407700:21340/12:00200871 - isvavai.cz</a>

Výsledek na webu

<a href="http://km.fjfi.cvut.cz/ddny/" target="_blank" >http://km.fjfi.cvut.cz/ddny/</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Model-assisted evolutionary optimization with fixed evaluation batch size

Popis výsledku v původním jazyce

Some black-box optimization problems involve long-running simulations or expensive experiments as the goal function. To enable use of evolutionary algorithms, surrogate models are used to reduce the number of function evaluations. In adaptive model building strategies, some individuals are selected for true function evaluation in order to improve the model. When the experiment or simulation requires a fixed size batch of solutions to evaluate, traditional selection strategies either cannot be used or couple the batch size with the EA generation size. We propose a queue based method for model-assisted optimization using active learning of a kriging model, where individuals are selected based on the model predictor error estimate. The method was tested on standard benchmark problems and the effects of batch size was studied. Results indicate that the proposed method significantly reduces the number of true fitness evaluation compared to a traditional EA.

Název v anglickém jazyce

Model-assisted evolutionary optimization with fixed evaluation batch size

Popis výsledku anglicky

Some black-box optimization problems involve long-running simulations or expensive experiments as the goal function. To enable use of evolutionary algorithms, surrogate models are used to reduce the number of function evaluations. In adaptive model building strategies, some individuals are selected for true function evaluation in order to improve the model. When the experiment or simulation requires a fixed size batch of solutions to evaluate, traditional selection strategies either cannot be used or couple the batch size with the EA generation size. We propose a queue based method for model-assisted optimization using active learning of a kriging model, where individuals are selected based on the model predictor error estimate. The method was tested on standard benchmark problems and the effects of batch size was studied. Results indicate that the proposed method significantly reduces the number of true fitness evaluation compared to a traditional EA.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2012

Kód důvěrnosti údajů

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

Název statě ve sborníku

Doktorandské dny 2012

ISBN

978-80-01-05138-2

ISSN

—

e-ISSN

—

Počet stran výsledku

10

Strana od-do

105-114

Název nakladatele

Česká technika - nakladatelství ČVUT

Místo vydání

Praha

Místo konání akce

Praha

Datum konání akce

16. 11. 2012

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—