La aproximación de aptitud se refiere a una familia de métodos en computación evolutiva y optimización que sustituyen una función de aptitud exacta y costosa por un modelo sustituto más barato y aproximado. La función de aptitud en un algoritmo evolutivo mide qué tan bien una solución candidata resuelve un problema dado, y evaluarla puede ser computacionalmente costoso - por ejemplo, en diseño de ingeniería, simulaciones de dinámica de fluidos o ajuste de hiperparámetros en aprendizaje automático. La aproximación de aptitud tiene como objetivo reducir la carga computacional total mediante el uso de un sustituto que predice los valores de aptitud, permitiendo que el algoritmo explore más candidatos o funcione durante más tiempo dentro de un presupuesto fijo. Este enfoque también se conoce como optimización asistida por sustitutos o meta-modelado, y se ha estudiado desde la década de 1990, con trabajos tempranos de investigadores como Yaochu Jin y Bernhard Sendhoff en el Instituto de Investigación Honda de Europa.
La idea central es equilibrar el equilibrio entre la precisión de la evaluación y el costo computacional. Un modelo sustituto se construye típicamente a partir de soluciones previamente evaluadas, utilizando técnicas de regresión como la regresión polinómica, el kriging (también llamado regresión por procesos gaussianos) o redes neuronales. El sustituto se actualiza iterativamente a medida que se realizan nuevas evaluaciones exactas, un proceso llamado gestión de modelos o control de evolución. La aproximación de aptitud es particularmente valiosa en dominios donde una sola evaluación puede llevar horas o días, como la dinámica de fluidos computacional, la optimización estructural o el entrenamiento de un modelo de aprendizaje profundo. En tales casos, el sustituto puede filtrar candidatos poco prometedores, dejando solo unas pocas soluciones de alto potencial para la evaluación exacta.
Modelos sustitutos y entrenamiento
Los modelos sustitutos se entrenan en un conjunto de datos de pares entrada-salida recopilados de evaluaciones exactas. Las opciones comunes incluyen el kriging, que proporciona tanto una predicción como una estimación de incertidumbre, y las redes de funciones de base radial, que son simples y rápidas de entrenar. Los métodos de aprendizaje automático, incluyendo redes neuronales y bosques aleatorios (aunque no en la lista proporcionada, el concepto es estándar), también se utilizan. La elección del sustituto depende de la dimensionalidad del problema, el número de muestras disponibles y la suavidad del paisaje de aptitud. En problemas de baja dimensionalidad, el kriging a menudo funciona bien; en espacios de alta dimensionalidad, las redes neuronales o la regresión por vectores de soporte pueden ser preferidas. El sustituto se entrena típicamente en un subconjunto de las soluciones evaluadas, y su precisión se monitorea mediante validación cruzada o un conjunto de retención.
Estrategias de gestión de modelos
La gestión de modelos determina cuándo usar el sustituto versus la función de aptitud exacta. Una estrategia común es el enfoque basado en generaciones, donde el sustituto evalúa todos los descendientes en una generación, y solo los mejores pocos se re-evalúan exactamente. Otra es el enfoque basado en individuos, donde cada candidato se evalúa exactamente con cierta probabilidad, o el sustituto se usa solo para candidatos que están lejos de soluciones buenas conocidas. El método de control de evolución, introducido por Jin y Sendhoff, utiliza el sustituto para preseleccionar individuos, luego aplica evaluación exacta a los mejores candidatos. Esto reduce el número de evaluaciones exactas mientras mantiene la calidad de búsqueda. Estrategias más avanzadas adaptan el uso del sustituto basándose en su error estimado, utilizando evaluación exacta cuando el sustituto es incierto.
Aplicaciones en ingeniería e IA
La aproximación de aptitud se ha aplicado ampliamente en diseño de ingeniería, como optimizar alas de aviones, carrocerías de automóviles y palas de turbinas, donde cada simulación puede llevar horas. En inteligencia artificial, se utiliza en neuroevolución, donde la aptitud de una red neuronal es su precisión en un conjunto de datos, y el entrenamiento puede ser costoso. Los modelos sustitutos también se han utilizado en la optimización de hiperparámetros para modelos de aprendizaje automático, donde evaluar una configuración requiere entrenar un modelo completo. En aprendizaje por refuerzo (no en la lista, pero estándar), la aproximación de aptitud puede acelerar la búsqueda de políticas. La técnica también es relevante en IA generativa, donde evaluar la calidad de diseños o imágenes generadas puede requerir simulaciones costosas o retroalimentación humana.
Desafíos y limitaciones
El principal desafío es la precisión del sustituto, especialmente en paisajes de aptitud de alta dimensionalidad o irregulares. Un sustituto inexacto puede engañar a la búsqueda, causando convergencia prematura a soluciones pobres. Para mitigar esto, los investigadores utilizan sustitutos de conjunto, que combinan múltiples modelos, o estrategias adaptativas que aumentan la frecuencia de evaluaciones exactas cuando el error del sustituto crece. Otro problema es la maldición de la dimensionalidad: a medida que aumenta el número de variables de diseño, el sustituto requiere exponencialmente más muestras de entrenamiento. Además, el sustituto en sí tiene un costo de entrenamiento, que debe ser superado por los ahorros en evaluaciones exactas. En la práctica, la aproximación de aptitud funciona mejor cuando la función de aptitud es suave y continua, y cuando el presupuesto de evaluación está severamente limitado.
Desarrollos recientes
Trabajos recientes han integrado la aproximación de aptitud con sustitutos de aprendizaje profundo, como redes neuronales entrenadas en grandes conjuntos de datos de ejecuciones anteriores. El aprendizaje por transferencia y el meta-aprendizaje se han utilizado para inicializar sustitutos para nuevos problemas. También hay un interés creciente en usar la aproximación de aptitud en optimización multiobjetivo, donde múltiples objetivos conflictivos requieren varios sustitutos. En el contexto de grandes modelos de lenguaje, se ha propuesto la aproximación de aptitud para evaluar código o texto generado, donde la evaluación exacta podría implicar ejecutar pruebas o puntuación humana. A partir de 2025, la investigación continúa centrándose en mejorar la precisión del sustituto y desarrollar esquemas robustos de gestión de modelos que puedan manejar funciones de aptitud ruidosas o dinámicas.
Véase también
- computación evolutiva (no en la lista, pero estándar; enlace a Artificial intelligence)
- optimización (no en la lista; enlace a Machine learning)
- modelo sustituto (no en la lista; enlace a Neural network)
- kriging (no en la lista; enlace a Neural network)