《Boosting 数据驱动进化算法结合局部化数据生成》笔记

1 数据驱动进化算法

在应对那些成本高昂且计算资源消耗较大的实际应用问题时，数据驱动型进化算法（Data-Driven Evolutionary Algorithm, DDEA）相较于传统的进化算法展现出更高的效率和实用性，原因如下：

• 传统进化算法高度依赖于适应度评估（Fitness Evaluation, FE）来生成并筛选新的种群。然而，当可获取的FE数量不足时，其性能往往受到限制。在许多现实场景中，由于FE的成本过高，可用的FE数量常常无法满足需求。与传统进化算法不同，DDEA通过引入数据（如已评估的解）以及代理模型来替代原本昂贵的FE过程，并以此推动进化过程，在有限的FE数量下仍能获得令人满意的解；
• 在某些极其复杂的应用场景中（如高炉优化、创伤系统优化、熔镁炉优化等），由于实际条件的制约，例如时间限制或预算不足，在演化过程中难以进行真实的适应度评估，这使得传统方法几乎无法求解这些昂贵的优化问题。在这种情况下，离线DDEA则更为实用和高效，因为它仅依靠历史评估数据构建代理模型以替代真实的FE，并驱动整个优化流程。

然而如何高效地利用现有数据与代理模型仍然是DDEA面临的关键挑战。通常而言，DDEA的核心在于通过数据减少所需的真实FE数量，并推动进化的进程。这种数据利用方式一般依赖于代理模型实现：即通过基于已有评估数据建立合适的代理模型后，DD