《SAFE: 尺度自适应适应度评估方法》笔记

1 代理模型方法

进化计算（Evolutionary Computation, EC）算法是一种基于种群的优化求解工具，其发展受到自然界进化现象和群体智能的启发。由于EC算法具有结构简单、无需梯度信息等优势，在过去数十年中，已经衍生出多种不同的进化算法，并被广泛应用于各类优化问题的求解过程中。EC算法以初始种群中的可行解（个体）为基础，通过复制操作（例如交叉和变异）不断生成新的解（后代）。随后，依据适应度评估（Fitness Evaluation, FE）的结果进行选择，适应度值较高的个体更有可能进入下一代，从而促进优质解的传播。因此，FE在推动EC算法逐步接近最优解的过程中发挥着关键作用。（适应度函数与目标函数存在关联但又有所不同。目标函数直接反映问题的本质及优化方向，而适应度函数则与算法的设计密切相关，其主要功能是辅助选择操作的实施。）当优化问题的目标函数清晰明确且适应度函数设计合理时，EC算法能够表现出良好的性能。然而，在许多实际应用中，问题往往具有NP-hard特性、随机性以及高昂的计算成本，这意味着FE可能表现出不确定性并带来较大的计算负担。因此，在面对实际昂贵优化问题（Expensive Optimization Problem, EOP）时，构建一个合适的适应度函数变得尤为困难。

为有效利用EC算法解决EOP问题，文献中常用的方法是采用代理模型替代原始