Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Deep Convolutional Neural Network for Fog Detection Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

A Comparison Study of Surrogate Model Based Preselection in Evolutionary Optimization

verfasst von : Hao Hao, Jinyuan Zhang, Aimin Zhou

Erschienen in: Intelligent Computing Theories and Application

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In evolutionary optimization, the purpose of preselection is to identify some promising solutions in a set of candidate offspring solutions. The surrogate model is a popular method employed in preselection. A surrogate model is built to approximate the original objective function and to estimate the fitness values of the candidate solutions. Based on the estimated fitness values, the promising solutions can be identified. This paper aims to study and compare the surrogate model based preselection strategies in evolutionary algorithms. Systematic experiments are conducted to study the performance of four surrogate models. The experimental results suggest the surrogate model based preselection can significantly improve the performance of evolutionary algorithms.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Novel Energetic Ant Optimization Algorithm for Routing Network Analysis
Nächstes Kapitel A Grouping Genetic Algorithm Based on the GES Local Search for Pickup and Delivery Problem with Time Windows and LIFO Loading
Literatur
1.
2.
Lu, X.-F., Tang, K., Sendhoff, B., Yao, X.: A new self-adaptation scheme for differential evolution. Neurocomputing 146(C), 2–16 (2014)CrossRef
3.
Mallipeddi, R., Suganthan, P.N.: Unit commitment - a survey and comparison of conventional and nature inspired algorithms. Int. J. Bio-Inspir. Comput. 6(2), 71–90 (2014)CrossRef
4.
Back, T., Schwefel, H.-P.: Evolutionary computation: an overview. In: 1996 IEEE International Congress on Evolutionary Computation (CEC), pp. 20–29 (1996)
5.
Back, T.: Evolutionary Algorithms in Theory and Practice: Evolution Strategies, Evolutionary Programming. Genetic Algorithms. Oxford University Press, New York (1996)MATH
6.
Cavicchio, D.J.: Adaptive search using simulated evolution. Unpublished doctoral dissertation, University of Michigan, Ann Arbor (1970)
7.
Mahfoud, S.W.: Crowding and preselection revisited. In: Parallel Problem Solving from Nature (PPSN), pp. 27–36. Amsterdam Press, North-Holland (1992)
8.
Wang, Y., Cai, Z., Zhang, Q.: Differential evolution with composite trial vector generation strategies and control parameters. IEEE Trans. Evol. Comput. 15, 55–66 (2011)CrossRef
9.
Li, Y., Zhou, A., Zhang, G.: An MOEA/D with multiple differential evolution mutation operators. In: 2014 IEEE Congress on Evolutionary Computation (CEC), pp. 397–404 (2014)
10.
Jin, Y.: A comprehensive survey of fitness approximation in evolutionary computation. Soft. Comput. 9(1), 3–12 (2003)CrossRef
11.
Jin, Y.: Surrogate-assisted evolutionary computation: recent advances and future challenges. Swarm Evol. Comput. 1(2), 61–70 (2011)CrossRef
12.
Zhang, J., Zhou, A., Zhang, G.: Preselection via classification: a case study on global optimization. Int. J. Bio-Inspir. Comput. (2018, accepted)
13.
Lu, X., Tang, K., Yao, X.: Classification-assisted differential evolution for computationally expensive problems. In: 2011 IEEE Congress on Evolutionary Computation (CEC), pp. 1986–1993 (2011)
14.
Emmerich, M., Giotis, A., Özdemir, M., Bäck, T., Giannakoglou, K.: Metamodel—assisted evolution strategies. In: Guervós, J.J.M., Adamidis, P., Beyer, H.-G., Schwefel, H.-P., Fernández-Villacañas, J.-L. (eds.) PPSN 2002. LNCS, vol. 2439, pp. 361–370. Springer, Heidelberg (2002). https://​doi.​org/​10.​1007/​3-540-45712-7_​35CrossRef
15.
El-beltagy, M.A., Keane, A.J.: Evolutionary optimization for computationally expensive problems using Gaussian processes. In: Arabnia, H. (ed.) Proceedings of International Conference on Artificial Intelligence IC-AI’2001. CSREA Press (2001)
16.
Sun, C., Ding, J., Zeng, V., Jin, Y.: A fitness approximation assisted competitive swarm optimizer for large scale expensive optimization problems. Memetic Comput. 10(2), 123–134 (2018) CrossRef
17.
Jin, Y., Olhofer, M., Sendhoff, B.: A framework for evolutionary optimization with approximate fitness functions. IEEE Trans. Evol. Comput. 6(5), 481–494 (2002)CrossRef
18.
Tenne, Y., Armfield, S.W.: A framework for memetic optimization using variable global and local surrogate models. Soft. Comput. 13(8), 781–793 (2009)CrossRef
19.
Tabatabaei, M., Hakanen, J., Hartikainen, M., Miettinen, K., Sindhya, K.: A survey on handling computationally expensive multiobjective optimization problems using surrogates: non-nature inspired methods. Struct. Multidiscip. Opt. 52(1), 1–24 (2015)MathSciNetCrossRef
20.
Cortes, C., Vapnik, V.: Support-vector networks. Mach. Learn. 20(3), 273–297 (1995)MATH
21.
Breiman, L., Friedman, J., Olshen, R., Stone, C.J.: Classification and regression trees. Biometrics 40(3), 17–23 (1984)MATH
22.
Liu, B., Zhang, Q., Gielen, G.G.E.: A Gaussian process surrogate model assisted evolutionary algorithm for medium scale expensive optimization problems. IEEE Trans. Evol. Comput. 18(2), 180–192 (2014)CrossRef
Metadaten
Titel
A Comparison Study of Surrogate Model Based Preselection in Evolutionary Optimization
verfasst von
Hao Hao
Jinyuan Zhang
Aimin Zhou
Copyright-Jahr
2018
Buch
Intelligent Computing Theories and Application

Print ISBN: 978-3-319-95932-0

Electronic ISBN: 978-3-319-95933-7

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-95933-7_80

Premium Partner

    Bildnachweise