В сложном инженерном проектировании, например при разработке сверхкритического профиля крыла,высокоточная симуляция(CFD, метод конечных элементов) занимает от десятков минут до нескольких часов на один расчёт. Если встроить такую симуляцию напрямую в эволюционный цикл, каждое поколение популяции придётся оценивать поочерёдно, вычислительный бюджет будет быстро исчерпан уже в пределах десятков поколений, а доступное для исследования пространство поиска соответственно сократится.
Суррогатная модель(surrogate model, также известная как аппроксимационная модель или метамодель) заменяет или частично заменяет высокоточную симуляцию недорогими приближёнными вычислениями: она обучается на уже имеющихся образцах симуляций отображению «вход — выход», быстро прогнозирует характеристики кандидатных решений в многокритериальной эволюционной оптимизации и тем самым преодолевает узкое место высокой стоимости точных симуляций.
Почему высокоточную симуляцию нельзя напрямую встроить в эволюционный цикл
- Источник узкого места: одиночная CFD / конечно-элементная симуляция для задач сверхкритического профиля крыла, прочности конструкции и т. п. занимает много времени, а эволюционный алгоритм в каждом поколении оценивает всю популяцию, поэтому число оценок и вычислительный бюджет расходуются почти линейно.
- Непосредственные последствия: бюджет съедается за несколько поколений, размер популяции и число итераций приходится сокращать, многокритериальный фронт невозможно полноценно исследовать, а реальное пространство проектирования оказывается заблокированным из-за «непозволительной стоимости оценки».
Базовый принцип работы суррогатной модели
Используя базовый профиль крыла, возмущённые образцы и другиеимеющиеся данныедля обучения отображению «кандидатное решение → значения целей и характеристики ограничений» — так она становитсядешёвым приближённым оценщиком. В эволюционном цикле кандидатные решения сначала пакетно оцениваются суррогатной моделью, и только немногие кандидаты с наивысшими оценками или с повышенной неопределённостью передаются на проверку высокоточной симуляцией.
Четыре этапа ускорения
- Офлайн-обучение: обучение суррогатной модели на начальных выборочных данных для построения предварительного отображения «вход — выход».
- Онлайн-пакетный прогноз: в каждом поколении одновременный прогноз нескольких целевых значений для всех кандидатов, заменяющий поточечную высокоточную симуляцию.
- Выбор точек с суррогатной поддержкой: отбор кандидатов с высоким потенциалом или высокой информативностью на основе прогнозных значений и неопределённости.
- Коррекция обратным пополнением: запись небольшого числа высокоточных результатов обратно в базу образцов и инкрементальное обновление суррогатной модели, чтобы последующие прогнозы постоянно приближались к истинной поверхности отклика.
Баланс между точностью и стоимостью
Чем сложнее суррогатная модель (от простой регрессии до гауссовского процесса и глубоких сетей), тем обычно точнее результат, но затраты на обучение и вывод также возрастают. Ключевое ограничение —суррогатная модель должна быть существенно быстрее высокоточной симуляции, иначе она сама станет новым узким местом; при этом точность должна быть достаточной для поддержания селективного давления, иначе эволюция пойдёт в неверном направлении.
Границы применимости и риски
Суррогатная модель надёжна только вблизи обучающего распределения. Когда поиск выводит кандидатов в область вне распределения, прогноз может дать правдоподобное, но сильно отклоняющееся значение и увести поиск в неверном направлении. Разумный подход: выдавать оценку неопределённости, задавать порог достоверности для отбора, принудительно проверять выходящих за границы кандидатов высокоточной симуляцией и регулярно контролировать качество суррогата по статистике фактических ошибок.
Сравнение ускорения симуляции с помощью суррогатной моделиСхема сравнивает процессы оценки в эволюционной оптимизации при использовании высокоточной симуляции и суррогатной модели: первая занимает время поточечно и не способна обеспечить поиск с большой популяцией на протяжении многих поколений; вторая обучается на имеющихся образцах отображению кандидатных решений в целевые значения и выполняет быстрый пакетный прогноз. На высокоточную проверку передаются только лучшие кандидаты или кандидаты с высокой неопределённостью, а результаты возвращаются для обновления суррогата, что позволяет сосредоточить скудный бюджет симуляций на ключевых кандидатах.
