In this Chapter, we review the stat

In this Chapter, we review the state-of-the-art techniques for surrogate-assisted evolutionary optimization. First we analyze recent trends in Machine Learning (Section 3.1) and describe the most popular techniques used for surrogate model learning. We focus on Support Vector Machines (SVMs) in Section 3.2, because we will use SVMs in this thesis to build surrogate models with nice invariance properties, such as invariance to rank-preserving transformation of the objective function. After the surrogate model has been built, it can be exploited in many different ways: in Section 3.3, we review the state-of-the-art techniques used for surrogate model control and exploitation in singleand multi-objective scenarios, focusing on Evolutionary Strategies and CMA-ES. Finally, in Section 3.4, we conclude the Chapter and discuss some prospective directions of the surrogate-assisted search.

Kết quả (Việt) 1:

Trong chương này, chúng tôi xem xét kỹ thuật nhà nước-of-the-nghệ thuật để thay thế hỗ trợ tối ưu hóa tiến hóa. Trước tiên, chúng tôi phân tích các xu hướng gần đây trong máy học (phần 3.1) và mô tả kỹ thuật phổ biến nhất được sử dụng để thay thế mô hình học tập. Chúng tôi tập trung trên các máy vectơ hỗ trợ (SVMs) trong phần 3.2, bởi vì chúng tôi sẽ sử dụng SVMs trong luận án này để xây dựng mô hình thay thế với các thuộc tính tốt đẹp định, chẳng hạn như định để xếp hạng bảo tồn chuyển đổi của hàm mục tiêu. Sau khi mô hình thay thế đã được xây dựng, nó có thể được khai thác theo nhiều cách khác nhau: trong phần 3.3, chúng tôi xem xét các kỹ thuật nhà nước-of-the-nghệ thuật được sử dụng để thay thế mô hình điều khiển và khai thác trong tình huống đa mục tiêu singleand, tập trung vào chiến lược tiến hóa và CMA-ES. Cuối cùng, ở phần 3,4, chúng tôi kết luận chương và thảo luận về một số hướng dẫn tương lai của tìm kiếm hỗ trợ thay thế.

Kết quả (Việt) 2:

Trong chương này, chúng tôi xem xét các nhà nước-of-the-nghệ thuật kỹ thuật để thay thế sự trợ giúp tối ưu hóa tiến hóa. Đầu tiên chúng tôi phân tích các xu hướng gần đây trong Học máy (mục 3.1) và mô tả các kỹ thuật phổ biến nhất được sử dụng cho mô hình học tập thay thế. Chúng tôi tập trung về Support Vector Machines (SVMs) tại mục 3.2, bởi vì chúng ta sẽ sử dụng SVMs trong luận án này để xây dựng mô hình thay thế với tính chất bất biến tốt đẹp, chẳng hạn như bất biến để xếp hạng bảo quản biến đổi của hàm mục tiêu. Sau khi mô hình thay thế đã được xây dựng, nó có thể được khai thác trong nhiều cách khác nhau: tại mục 3.3, chúng tôi xem xét các nhà nước-of-the-nghệ thuật kỹ thuật được sử dụng để kiểm soát mô hình thay thế và khai thác trong các kịch bản đa mục tiêu singleand, tập trung vào các chiến lược tiến hóa và CMA-ES. Cuối cùng, tại mục 3.4, chúng tôi kết luận Chương và thảo luận về một số định hướng tương lai của việc tìm kiếm người thay thế hỗ trợ.