用DNN作为多目标优化算法的目标函数

Question

当创建一个多目标优化/MCDM算法(如NSGA-ii )时，使用一个在监督下的表格回归预测任务上训练的深层神经网络代替一个简单的目标函数方程是否有意义？

在Keras中用model.predict()函数代替非线性方程是否可能或有利，从而能够建立更复杂的目标函数？

我在nsga-ii中使用皮莫。

Answer 1

这个非线性方程将再次被用网近似。引入这么多的计算复杂性是没有意义的，如果它不是被学习的，那么它将不会被学习。Ocam rasor

Answer 2

使用互联网搜索，似乎很少有关于这个问题的信息。几乎所有搜索都链接到有关优化实际DNN培训过程的信息。

我的问题类似于上面描述的问题。我正在使用DNN创建一个目标函数，然后在外部进行优化。我有“真实”的输入和输出数据，但是我的模型被应用于输入数据，以创建转换后的输入数据。这个模型随着时间的推移而演变。

所以，我的装置就像这样。该模型有6个参数加一个约束条件。我的外部‘老学校’NLO选择了一组6个参数，第7个参数是“close”，然后创建一个唯一的输入数据向量。然后我训练DNN。我调整这个第七个参数，并重新训练，直到满足约束。这现在代表了一个“有效”的评估/预测函数F(x)。然后，我可以使用DNN的预测来计算我的目标函数。

通过调整这6个模型参数，对DNN进行再训练，为目标的每一个评价建立一个F(x)。对我来说，最好的方案是混合模拟退火和最近邻的交替评估。所以，我不需要担心使用导数，尽管原则上我可以使用数值导数。最后，我得到了一组6个参数，这些参数使我的目标函数最小化。

我还没有找到关于做这种事的文件/信息。我只是跟着鼻子走。如果与类似方法有任何联系，将不胜感激。