Выбор вспомогательных оптимизируемых величин для ускорения процесса оптимизации с помощью машинного обучения



© 2012, А.С. Афанасьева

Национальный исследовательский университет информационных технологий, механики и оптики

Полный текст работы
Презентация

Аннотация

В данной работе предлагается метод повышения эффективности работы эволюционных алгоритмов с применением обучения с подкреплением. Использование эволюционных алгоритмов является перспективным методом решения сложных задач оптимизации, но, как правило, время их работы достаточно велико. По этой причине задача повышения эффективности работы эволюционных алгоритмов является актуальной.

Предлагаемый метод основан на выборе наиболее эффективной функции приспособленности для каждого поколения эволюционного алгоритма. Функции приспособленности выбираются из заранее заданного набора вспомогательных функций, о свойствах которых ничего не известно. Алгоритмы обучения с подкреплением позволяют осуществить выбор таким образом, что повышается скорость оптимизации целевой функции приспособленности. Также важно отметить, что повышение эффективности эволюционного алгоритма происходит во время его выполнения, дополнительные запуски не требуются.

Предлагаемый метод опробован на ряде модельных задач. Реализованы различные алгоритмы обучения с подкреплением, а также различные эволюционные алгоритмы. Проведено сравнение с методами многокритериальной оптимизации, применяющимися для ускорения однокритериальной оптимизации. В отличие от этих методов, разработанный метод позволяет игнорировать вспомогательные функции приспособленности, оптимизация по которым ведет к замедлению оптимизации целевой функции. Согласно результатам экспериментов, применение метода позволяет значительно повысить эффективность оптимизации рассмотренных модельных функций, проводимой с помощью эволюционных алгоритмов.