অপ্টিমাইজেশান পদ্ধতি যা বিভিন্ন পরামিতিগুলির জন্য উদ্দেশ্যগত কার্যের বিভিন্ন সময় ব্যয় বিবেচনা করে


9

আমি কিছু ডেমোগ্রাফিক মডেলিং সফটওয়্যারটির অপ্টিমাইজেশন প্রক্রিয়াটি উন্নত করার জন্য কাজ করছি যাতে এটি ডেমোগ্রাফিক মডেলগুলিকে ডেটার সাথে আরও ভাল ফিট করতে পারে। আমরা অপ্টিমাইজেশনের সময় হ্রাস করতে চাই।

ইনপুট মানগুলির উপর নির্ভর করে আমাদের উদ্দেশ্য ফাংশনটি মূল্যায়নের জন্য যে সময় লাগে তা অনেকটা পরিবর্তিত হয়। উদ্দেশ্যমূলক ফাংশন এবং ইনপুটটি মূল্যায়নের সময়ের মধ্যে সম্পর্কটি জানা যায়। আমি ভাবছি যে কোনও অপ্টিমাইজেশন পদ্ধতি রয়েছে যা কোন পয়েন্টগুলি মূল্যায়ন করতে হবে তা বেছে নেওয়ার সময় উদ্দেশ্যমূলক কার্যের তুলনামূলক সময় ব্যয় বিবেচনা করে।

ধন্যবাদ!

হালনাগাদ:

পল যেমন অনুরোধ করেছিলেন, এখানে এই নির্দিষ্ট উদ্দেশ্য কার্যের কয়েকটি স্পষ্ট বৈশিষ্ট্য রয়েছে:

  1. পরামিতিগুলির সংখ্যা মাঝারি (12 ডলার)
  2. আমাদের সমস্যা অব্যবহিত, বা কমপক্ষে বস্তুগত কার্য পৃষ্ঠের সংকীর্ণ এবং সমতল "flatাল" রয়েছে। এই মুহূর্তে আমরা বিভিন্ন পয়েন্ট থেকে একাধিক অপ্টিমাইজেশন ব্যবহার করে এটি মোকাবেলা করছি তবে আমরা আরও ভাল করতে চাই।
  3. উদ্দেশ্য ফাংশনটি বেশ মসৃণ, যদিও আমরা কেবল ডেরাইভেটিভগুলিতে সীমাবদ্ধ-পার্থক্য আনুমানিক গণনা করতে পারি।
  4. মূল্যায়ন ব্যয়ও প্যারামিটার মানগুলির একটি মসৃণ ফাংশন, এবং এটি বেশ অনুমানযোগ্য। মোটামুটিভাবে বলতে গেলে, প্রতিটি প্যারামিটারের জন্য মূল্যায়ন করার জন্য ব্যয়টি ব্যাপ্তির এক প্রান্তে বেশি এবং অন্য প্রান্তে কম। সুতরাং আমাদের কাছে ব্যয়বহুল থেকে মূল্যায়নের প্যারামিটার সেটগুলির বৃহত অঞ্চল রয়েছে তবে আমরা জানি তারা কোথায় know

2
হাই কেট, এবং স্কিকম্পে আপনাকে স্বাগতম! আপনি কি আপনার উদ্দেশ্যমূলক কার্যকারিতার কিছু বৈশিষ্ট্য ভাগ করতে পারেন? এটি আপনার ক্ষেত্রে একটি নির্দিষ্ট পদ্ধতি নির্দিষ্ট করতে সহায়তা করতে পারে।
পল

মূল্যায়ন করার জন্য পয়েন্টগুলি বেছে নেওয়ার সময় আমি কোনও অ্যালগরিদমের কথা শুনিনি যা উদ্দেশ্যমূলক ফাংশন (বা কোনও বাধা) সুস্পষ্টভাবে মূল্যায়নের ব্যয় বিবেচনা করে। তবে, সেখানে ডেরিভেটিভ-মুক্ত অপ্টিমাইজেশন অ্যালগরিদম রয়েছে যা অপ্টিমাইজারের দ্বারা মূল্যায়নের জন্য পরের বিষয়টিকে চতুরতার সাথে বেছে নেওয়ার চেষ্টা করে। ভিত্তিটি হ'ল ফাংশন মূল্যায়ন ব্যয়বহুল হলে ফাংশন মূল্যায়নের সংখ্যা হ্রাস করা উচিত। তবে, আমি নিশ্চিত নই যে ডেরিভেটিভ-মুক্ত অ্যালগরিদম ব্যবহার আপনার ব্যবহারের ক্ষেত্রে সহায়তা করবে।
জিওফ অক্সবেরি 25'13

হাই @ পল, স্বাগত জানার জন্য ধন্যবাদ! আমি এই সম্প্রদায়টি পেয়ে আনন্দিত। আমি বৈশিষ্ট্য যুক্ত করেছি। আরও গুরুত্বপূর্ণ যে অন্য বৈশিষ্ট্য আছে তা আমাকে জানতে দিন।
নোভা

আপনি কি বিশ্বব্যাপী মিনিমাইজারে আগ্রহী তা আমি আপনার # 2 থেকে অনুমান করা ঠিক ? নাকি আপনি "পর্যাপ্ত" হ্রাস নিয়ে সন্তুষ্ট? গ্লোবাল অপ্টিমাইজেশান নিজস্ব ক্ষেত্র এবং বৈশ্বিক সমাধান অর্জনের প্রশ্ন (যদি এটি উপস্থিত থাকে) ব্যয়বহুল ট্রায়াল পয়েন্টগুলি এড়ানো থেকে সম্পূর্ণ পৃথক হতে পারে।
ডোমিনিক

ডোমিনিক, আমরা ধরে নিয়েছিলাম যে একটি গ্লোবাল অপ্টিমাইজার আমাদের সমস্যার জন্য খুব ধীর হবে, তাই আমরা স্থানীয় অপ্টিমাইজারের সাথে সন্তুষ্ট ছিলাম। গ্লোবাল অপ্টিমাইজার এমন একটি বিষয় যা আমরা ভবিষ্যতে সন্ধানের পরিকল্পনা করি।
নোভা

উত্তর:


4

ব্যয়বহুল উদ্দেশ্যমূলক ফাংশনগুলির সাথে মোকাবিলা করার জন্য একটি সাধারণ পদ্ধতি হ'ল "প্রতিক্রিয়াশীল মডেলিং দ্বারা" একটি "প্রতিক্রিয়া পৃষ্ঠের মডেল" যা মূল উদ্দেশ্য ফাংশনটির সন্নিকট হয় এবং তারপরে মূল ফাংশনটির সাথে কাজ করার পরিবর্তে সেই প্রতিক্রিয়া পৃষ্ঠকে অনুকূল করে তোলে। অনুশীলনের ক্ষেত্রে প্রতিক্রিয়াগুলির পৃষ্ঠগুলি সাধারণত রিগ্রেশন অনুসারে চতুষ্কোণ মডেলগুলি উপযুক্ত, সুতরাং প্রতিক্রিয়া পৃষ্ঠের ন্যূনতম সন্ধান করা খুব সহজ অপ্টিমাইজেশনের সমস্যা হয়ে ওঠে।

আপনি আপনার উদ্দেশ্যমূলক কার্যকারিতাটির মসৃণতা বা উত্তেজকতা সম্পর্কে কিছু বলেননি। যদি ফাংশনটি অননমূথ বা ননকনভেক্স হয় তবে এটি অবশ্যই অনেক বেশি শক্ত হয়ে যায়।

আপনার পরামিতি স্পেসে ব্যয়বহুল পয়েন্টগুলি কোথায় রয়েছে সে সম্পর্কে আপনি কিছুও বলেননি। যদি এগুলি এলোমেলোভাবে প্যারামিটার জায়গাতেই বিতরণ করা হয় তবে ব্যয়বহুল পয়েন্টগুলি এড়িয়ে গিয়ে আপনি আপনার প্রতিক্রিয়া পৃষ্ঠের মডেলটি তৈরি করতে পরীক্ষার কৌশলগুলির নকশা ব্যবহার করতে পারেন। যদি প্যারামিটার স্পেসের বৃহত্তর অঞ্চলগুলি থাকে যেখানে মূল্যায়ন ব্যয়বহুল, তবে আপনি প্রতিক্রিয়া পৃষ্ঠের মডেলটি তৈরি করতে যে অঞ্চলগুলি ব্যবহার করেন সেগুলিতে আপনি পয়েন্টের সংখ্যা হ্রাস করার চেষ্টা করতে পারেন। অবশ্যই, যদি আপনার সর্বোত্তম অঞ্চলটি এই অঞ্চলের মাঝামাঝি অবস্থিত থাকে তবে আপনি ব্যয়বহুল অঞ্চলে ফাংশনগুলি মূল্যায়নের জন্য বিনষ্ট হয়ে যাবেন।


1

আমি বিভিন্ন পদ্ধতিতে লক্ষ্যগুলি মূল্যায়নের তুলনামূলকভাবে তুলনামূলকভাবে তুলনামূলকভাবে ব্যয়ের তুলনা করতে পারি এমন পদ্ধতিগুলি সম্পর্কে আমি জানি না তবে আপনি যদি প্রার্থী মূল্যায়ন করা ব্যয়বহুল হবে কিনা তা তুলনামূলকভাবে নির্ভরযোগ্যতার সাথে পূর্বাভাস দিতে সক্ষম হন, তবে আমি একটিটিতে চেষ্টা করার পরামর্শ দিতে পারি সরাসরি পদ্ধতি । প্রত্যক্ষ পদ্ধতিগুলি ডেরাইভেটিভ-মুক্ত পদ্ধতির পরিবারে ফিট করে। এগুলি ব্যবহার করা অগত্যা কোনও খারাপ জিনিস নয় যদিও আপনার সন্দেহ হয় যে আপনার সমস্যাটি বেশ মসৃণ কারণ তারা কিছুটা নমনীয়তা সরবরাহ করতে পারে যা মসৃণ অপ্টিমাইজেশনের জন্য পদ্ধতিগুলি পারে না।

ধারণাটি হ'ল প্রত্যক্ষ পদ্ধতিগুলি বর্তমান পুনরাবৃত্তি সম্পর্কে একটি (পুনরাবৃত্তি-নির্ভর) জাল এবং একটি (পুনরাবৃত্তি-নির্ভর) জাল "পদক্ষেপ" সংজ্ঞায়িত করে। এই জাল পদক্ষেপের উপর ভিত্তি করে, পদ্ধতিটি জালটির উপর বিচারের পয়েন্টগুলি নির্ধারণ করে যা বর্তমান পুনরাবৃত্তির প্রতিবেশী (তারা জালের উপর পড়ে থাকে এবং জাল ধাপে সংজ্ঞায়িত একটি দূরত্বে থাকে)। এরপরে এটি প্রতিবেশীদের লক্ষ্যটি মূল্যায়ন করতে এগিয়ে যাবে। আরও ভাল প্রার্থী পাওয়া মাত্রই এটি নতুন বর্তমান পুনরাবৃত্তি হয়ে যায়। আপনার বিকল্পে, আপনি সমস্ত প্রতিবেশী মূল্যায়ন করতে পারেন এবং সেরাটি চয়ন করতে পারেন।

আপনার ক্ষেত্রে, সেখানে উদ্দেশ্যটির মূল্যায়ন করার ব্যয়ের আপনার অনুমানের ভিত্তিতে প্রতিবেশীদের অর্ডার করা ভাল ধারণা হতে পারে। এই ক্রমে তাদের মূল্যায়ন এবং পরবর্তী পুনরাবৃত্ত হিসাবে প্রথম সাফল্য চয়ন করুন। স্বজ্ঞাতভাবে, আপনি সস্তা প্রার্থীদের পক্ষে নিচ্ছেন। প্রত্যক্ষ পদ্ধতিতে, এই জাতীয় ক্রমগুলি এটিকে সারোগেট মডেলগুলির শ্রেণিতে ফিট করে , এমন একটি ধারণা যা ব্রায়ান দ্বারা উল্লিখিত প্রতিক্রিয়া পৃষ্ঠের মডেলটিকে সাধারণীকরণ করে।

এখানে সরাসরি পদ্ধতির একটি দুর্দান্ত বাস্তবায়ন রয়েছে (সি ++ তে): http://www.gerad.ca/nomad/Project/Home.html

যদি এটি আশাব্যঞ্জক ফলাফল দিচ্ছে বলে মনে হয় তবে দয়া করে আমার কাছে ফিরে আসতে দ্বিধা বোধ করুন এবং আমি অন্যান্য উন্নতির পরামর্শ দিতে সক্ষম হতে পারি।

আমি বিশ্বাস করি যাযাবর এছাড়াও বৈশিষ্ট্য বিশ্বব্যাপী অপ্টিমাইজেশান জন্য (যেমন মাল্টি শুরু আপনি বর্তমানে আবেদন করছি) ধারণার উপর ভিত্তি করে হয়েছে পরিবর্তনশীল আশপাশ অনুসন্ধান

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.