We use the phenotypic characterizat

We use the phenotypic characterization to build a surrogate function that can help us estimate the fitness value of new individuals at much lower computational cost than the full evaluation via simulation. The surrogate function takes the phenotypic characterization (i.e., the decision vector d in our case) as input, and provides the estimated fitness as output. Constructing the surrogate function from a given set of input-output pairs (see Figure 3b) is a typical machine learning or regression task, and standard techniques such as Neural Networks, Gaussian Processes or Regression Tress could be used.

Kết quả (Việt) 1:

Chúng tôi sử dụng các đặc tính kiểu hình để xây dựng một chức năng thay thế có thể giúp chúng tôi ước tính giá trị thể dục cá nhân mới chi phí tính toán thấp hơn nhiều so với đánh giá đầy đủ thông qua mô phỏng. Chức năng thay thế mất các đặc tính kiểu hình (tức là, quyết định vector d trong trường hợp của chúng tôi) như đầu vào, và cung cấp thể dục ước tính là sản lượng. Xây dựng chức năng thay thế từ một tập hợp của các đầu vào-đầu ra cặp (xem hình 3b) là một máy tính điển hình học tập hoặc công việc hồi qui, và các kỹ thuật tiêu chuẩn như mạng nơ-ron, Gaussian quy trình hoặc Regression Tress có thể được sử dụng.

Kết quả (Việt) 2:

Chúng tôi sử dụng các đặc tính kiểu hình để xây dựng một chức năng thay thế có thể giúp chúng tôi ước tính giá trị thể dục của các cá nhân mới với chi phí tính toán thấp hơn nhiều so với việc đánh giá đầy đủ thông qua mô phỏng. Các chức năng thay thế có các đặc tính kiểu hình (tức là, quyết định vector d trong trường hợp của chúng tôi) là đầu vào, và cung cấp các phòng tập thể dục ước tính sản lượng. Xây dựng các chức năng thay thế từ một tập hợp các cặp đầu vào-đầu ra (xem Hình 3b) là một máy học tập điển hình hoặc công việc hồi quy, và các kỹ thuật tiêu chuẩn như Neural Networks, quá trình Gaussian hoặc Regression tress có thể được sử dụng.