Various surrogate modeling techniqu

Various surrogate modeling techniques have been proposed to replace the actual expensive simulations or experiments by cheap surrogate models. Figure 3.1 illustrates the history of publications reporting the use of the major surrogate techniques. Data was obtained using Google Scholar [Google, 2012] by a methodology proposed in [Viana and Haftka, 2008]. For each technique we searched articles with chosen keywords, e.g., for the response surface method (also referred to as Polynomial Regression (PR)) we used the following query: approximation OR metamodel OR regression OR prediction OR surrogate AND ”response surface”. Figure 3.1-Left illustrates the number of papers published in all fields. One can observe that the traditional polynomial response surface approach and Kriging approach grow every year in average by 10-15% in terms of number of publications per year. This can be viewed as a factor of growing of the field of theoretical and applied machine learning and optimization. One can also clearly observe the ”boom” of artificial neural networks (ANN) in the late 1980s and the early 1990s, and a very similar ”boom” of support vector machines (SVMs) 10 years later. The growth of popularity of ANN clearly stagnates for the last 5 years, while SVM might become the most popular approach in machine learning in the next few years.

Kết quả (Việt) 1:

Kỹ thuật mô hình thay thế khác nhau đã từng được đề xuất để thay thế các mô phỏng thực tế đắt tiền hoặc các thí nghiệm mô hình thay thế giá rẻ. 3.1 hình minh họa lịch sử của Ấn phẩm báo cáo việc sử dụng các kỹ thuật chính thay thế. Dữ liệu được thu được bằng cách sử dụng Google Scholar [Google, 2012] bởi một phương pháp được đề xuất năm [Viana và Haftka, 2008]. Đối với mỗi kỹ thuật chúng tôi tìm kiếm các bài viết với từ khoá đã chọn, ví dụ, phương pháp phản ứng bề mặt (còn gọi là đa thức hồi quy (PR)), chúng tôi sử dụng truy vấn sau đây: xấp xỉ OR metamodel OR regression OR dự đoán OR thay thế và "phản ứng bề mặt". Hình 3.1-trái minh hoạ một số bài báo xuất bản trong tất cả các lĩnh vực. Một trong những có thể quan sát rằng cách tiếp cận bề mặt phản ứng đa thức truyền thống và phương pháp Kriging tăng trưởng mỗi năm trung bình 10-15% về số lượng ấn phẩm mỗi năm. Điều này có thể được xem như là một yếu tố trong phát triển của lĩnh vực lý thuyết và ứng dụng máy học và tối ưu hóa. Ai cũng rõ ràng có thể quan sát "bùng nổ" của mạng nơ-ron nhân tạo (ANN) trong thập niên 1980 và đầu thập niên 1990, và bùng nổ rất tương tự như"một" của hỗ trợ vector máy (SVMs) 10 năm sau đó. Sự phát triển của phổ biến của ANN rõ stagnates nhất 5 năm gần đây, trong khi SVM có thể trở thành phương pháp phổ biến nhất trong máy học trong vài năm tới.

Kết quả (Việt) 2:

kỹ thuật mô hình thay thế khác nhau đã được đề xuất để thay thế các mô phỏng đắt tiền thực tế hoặc thí nghiệm bằng các mô hình thay thế giá rẻ. Hình 3.1 minh họa lịch sử của các ấn phẩm báo cáo việc sử dụng các kỹ thuật thay thế chính. Dữ liệu được thu thập sử dụng Google Scholar [Google, 2012] của một phương pháp được đề xuất trong [Viana và Haftka, 2008]. Đối với mỗi kỹ thuật, chúng tôi đã tìm kiếm bài viết với từ khóa lựa chọn, ví dụ, đối với phương pháp bề mặt đáp ứng (còn gọi là đa thức hồi quy (PR)), chúng tôi sử dụng các truy vấn sau đây: xấp xỉ HOẶC metamodel HOẶC hồi quy HOẶC dự đoán OR "bề mặt phản ứng" người thay thế AND. Hình 3.1-Left minh họa số lượng bài báo công bố trên tất cả các lĩnh vực. Người ta có thể thấy rằng những phản ứng đa thức tiếp cận bề mặt truyền thống và phương pháp Kriging tăng trưởng hàng năm trung bình từ 10-15% về số lượng ấn phẩm mỗi năm. Điều này có thể được xem như là một yếu tố của phát triển của lĩnh vực lý thuyết và ứng dụng máy học và tối ưu hóa. Một cũng có thể quan sát rõ "bùng nổ" của các mạng thần kinh nhân tạo (ANN) vào cuối năm 1980 và đầu những năm 1990, và một "sự bùng nổ" rất giống các máy hỗ trợ vector (SVMs) 10 năm sau đó. Sự phát triển của sự nổi tiếng của ANN stagnates rõ trong 5 năm qua, trong khi SVM có thể trở thành phương pháp phổ biến nhất trong việc học máy tính trong vài năm tới.