什么是加點？

所謂加點，就是給數(shù)據(jù)集增添數(shù)據(jù)點對模型進(jìn)行訓(xùn)練。添加數(shù)據(jù)點，意思就是獲得這個想要的數(shù)據(jù)點的真實響應(yīng)，可以是實驗的結(jié)果，也可以精細(xì)仿真的結(jié)果。但不管怎樣，每增加一個數(shù)據(jù)點，都會是一筆昂貴的開銷。

因此，我們應(yīng)該認(rèn)真考慮選擇哪個新的設(shè)計參數(shù)點作為加入點，即加點準(zhǔn)則，我們有如下考慮：
第一，盡可能少的加入點，這意味著優(yōu)化盡可能少的循環(huán)次數(shù)；
第二，加入點對模型的增益最大化，這意味著我們必須充分考慮模型本身的特性，針對模型，有針對性的設(shè)計怎么加點和怎么利用加點后的數(shù)據(jù)集對模型加強(qiáng)訓(xùn)練。

四大加點準(zhǔn)則

Minimizing the prediction criterion:

最小化預(yù)測準(zhǔn)則，即將每輪用遺傳算法得到的代理模型預(yù)測的最小點（最優(yōu)點）作為加入點；（即直接用代理模型的輸出作為適應(yīng)度）

Expected improvement criterion：

改善的期望準(zhǔn)則（直譯是期望的改善準(zhǔn)則，不過我認(rèn)為改善的期望準(zhǔn)則這個翻譯更為合適），最大化當(dāng)前數(shù)據(jù)最小響應(yīng)點與我們新尋找的設(shè)計參數(shù)點的差值（最大化“改善”）。對于每個設(shè)計點，通過一些數(shù)學(xué)操作，我們可以求出這個改善的期望。
具體來說，用改善的期望作為遺傳算法的適應(yīng)度。遺傳算法得到的最優(yōu)點就是所加點。

Probability of improvement criterion

改善的概率準(zhǔn)則。最大化我們新尋找的設(shè)計參數(shù)點的響應(yīng)小于當(dāng)前數(shù)據(jù)最小點的概率。通常，新設(shè)計參數(shù)點的響應(yīng)和當(dāng)前數(shù)據(jù)最優(yōu)點的響應(yīng)的差值（即改善量）是人為給定的。新設(shè)計參數(shù)點的響應(yīng)見下面截圖（侵刪）：
同理，我們用概率作為遺傳算法的適應(yīng)度。遺傳算法得到的最優(yōu)點就是所加點。

Pseudo expected improvement criterion

總結(jié)

以上是生活随笔為你收集整理的kriging及其加点准则学习的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。