Machine Learning for Evolution Strategies

این کتاب ترکیب‌های الگوریتمی متعددی را بین هر دو جهان معرفی می‌کند که نشان می‌دهد چگونه یادگیری ماشینی می‌تواند استراتژی‌های تکامل را بهبود بخشد و پشتیبانی کند. مجموعه روش‌ها شامل تخمین ماتریس کوواریانس، فرامدل‌سازی توابع تناسب و محدودیت، کاهش ابعاد برای جستجو و تجسم فرآیندهای بهینه‌سازی با ابعاد بالا، و نچینگ مبتنی بر خوشه‌بندی است. پس از ارائه مقدمه ای بر استراتژی های تکامل و یادگیری ماشینی، این کتاب با دیدگاهی الگوریتمی و تجربی، پل بین هر دو جهان را ایجاد می کند. آزمایش‌ها بیشتر از (1+1)-ES استفاده می‌کنند و در پایتون با استفاده از کتابخانه یادگیری ماشینی scikit-learn پیاده‌سازی می‌شوند. مثال‌ها بر روی مسائل معیار معمولی انجام شده‌اند که مفاهیم الگوریتمی و رفتار تجربی آنها را نشان می‌دهند. کتاب با بحث در مورد خطوط تحقیق مرتبط به پایان می رسد.

This book introduces numerous algorithmic hybridizations between both worlds that show how machine learning can improve and support evolution strategies. The set of methods comprises covariance matrix estimation, meta-modeling of fitness and constraint functions, dimensionality reduction for search and visualization of high-dimensional optimization processes, and clustering-based niching. After giving an introduction to evolution strategies and machine learning, the book builds the bridge between both worlds with an algorithmic and experimental perspective. Experiments mostly employ a (1+1)-ES and are implemented in Python using the machine learning library scikit-learn. The examples are conducted on typical benchmark problems illustrating algorithmic concepts and their experimental behavior. The book closes with a discussion of related lines of research.