ترجمه فارسی مقاله منحنی‌های هیلبرت برای نمونه‌برداری همسایگی و تحلیل اکتشافی کارآمد چشم‌انداز

چکیده

Landscape analysis aims to characterise optimisation problems based on their objective (or fitness) function landscape properties. The problem search space is typically sampled, and various landscape features are estimated based on the samples. One particularly salient set of features is information content, which requires the samples to be sequences of neighbouring solutions, such that the local relationships between consecutive sample points are preserved. Generating such spatially correlated samples that also provide good search space coverage is challenging. It is therefore common to first obtain an unordered sample with good search space coverage, and then apply an ordering algorithm such as the nearest neighbour to minimise the distance between consecutive points in the sample. However, the nearest neighbour algorithm becomes computationally prohibitive in higher dimensions, thus there is a need for more efficient alternatives. In this study, Hilbert space-filling curves are proposed as a method to efficiently obtain high-quality ordered samples. Hilbert curves are a special case of fractal curves, and guarantee uniform coverage of a bounded search space while providing a spatially correlated sample. We study the effectiveness of Hilbert curves as samplers, and discover that they are capable of extracting salient features at a fraction of the computational cost compared to Latin hypercube sampling with post-factum ordering. Further, we investigate the use of Hilbert curves as an ordering strategy, and find that they order the sample significantly faster than the nearest neighbour ordering, without sacrificing the saliency of the extracted features.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل چشم انداز با هدف توصیف مشکلات بهینه سازی بر اساس ویژگی های عملکردی هدف (یا تناسب اندام) آنها.فضای جستجوی مشکل به طور معمول نمونه برداری می شود و ویژگی های مختلف منظره بر اساس نمونه ها تخمین زده می شود.یکی از ویژگی های برجسته از ویژگی های محتوای اطلاعاتی است که به نمونه ها توالی راه حل های همسایه نیاز دارد ، به گونه ای که روابط محلی بین نقاط نمونه متوالی حفظ می شود.تولید چنین نمونه های همبستگی مکانی که پوشش فضای جستجوی خوبی را نیز ارائه می دهند ، چالش برانگیز است.بنابراین معمول است که ابتدا یک نمونه بدون هماهنگ با پوشش فضای جستجوی خوب بدست آورید ، و سپس یک الگوریتم سفارش مانند نزدیکترین همسایه را اعمال کنید تا فاصله بین نقاط متوالی در نمونه را به حداقل برساند.با این حال ، نزدیکترین الگوریتم همسایه در ابعاد بالاتر از نظر محاسباتی منع می شود ، بنابراین نیاز به گزینه های کارآمدتر وجود دارد.در این مطالعه ، منحنی های پر کردن فضا هیلبرت به عنوان روشی برای به دست آوردن نمونه های سفارش داده شده با کیفیت بالا پیشنهاد شده است.منحنی های هیلبرت یک مورد خاص از منحنی های فراکتال و تضمین پوشش یکنواخت فضای جستجوی محدود در حالی که یک نمونه همبستگی مکانی را تضمین می کند.ما اثربخشی منحنی های هیلبرت را به عنوان نمونه برداری بررسی می کنیم و می دانیم که آنها قادر به استخراج ویژگی های برجسته در بخشی از هزینه محاسباتی در مقایسه با نمونه گیری هایپرکوب لاتین با سفارش پس از فاکتوم هستند.علاوه بر این ، ما استفاده از منحنی های هیلبرت را به عنوان یک استراتژی سفارش بررسی می کنیم و می یابیم که آنها نمونه را به طور قابل توجهی سریعتر از نزدیکترین همسایه سفارش می دهند ، بدون آنکه قربانی ویژگی های ویژگی های استخراج شده شود.