Evolutionary algorithms (EAs) are a kind of population-based heuristic optimization method by using trial-and-error. Therefore, the search efficiency is a major concern in both of the algorithm design and applications. The preselection, which estimates the quality of candidate solutions and discards unpromising ones before fitness evaluation, is a widely used component for reducing the number of fitness evaluations in EAs. The surrogate models, such as regression and classification, are usually applied for quality estimation. In some EA frameworks, the relationship between a pair of solutions helps to distinguish “good” and “bad” solutions. In such cases, it is not necessary to estimate the specific quality of each candidate solution but the binary relationship of a pair of solutions. Following this idea, this article proposes a new preselection strategy, called relationship classification-based preselection (RCPS). In RCPS, a classification model is built to learn the relationship between a pair of solutions based on a given training data set, and promising candidate solutions are prescreened by this relation. The mechanism of RCPS is visualized and analyzed. The advantages of RCPS over traditional surrogate model-based preselection strategies are illustrated through a comprehensive empirical study. The experimental results suggest that on two sets of test suits, RCPS outperforms the comparison preselection strategies. To achieve a same accuracy, an EA with RCPS needs a smaller number of fitness evaluations than the one without RCPS.

中文翻译：

---

进化算法中预选的二元关系学习和分类

进化算法（EA）是一种基于群体的启发式优化方法，它使用试错法。因此，搜索效率是算法设计和应用的主要关注点。预选估计候选解决方案的质量并在适应度评估之前丢弃没有希望的解决方案，是减少 EA 中适应度评估数量的广泛使用的组件。替代模型，例如回归和分类，通常用于质量估计。在一些 EA 框架中，一对解决方案之间的关系有助于区分“好”和“坏”解决方案。在这种情况下，不需要估计每个候选解的具体质量，而是估计一对解的二元关系。按照这个想法，本文提出了一种新的预选策略，称为基于关系分类的预选（RCPS）。在 RCPS 中，建立了一个分类模型来学习基于给定训练数据集的一对解决方案之间的关系，并通过这种关系预先筛选出有希望的候选解决方案。对RCPS的机制进行了可视化和分析。通过全面的实证研究说明了 RCPS 相对于传统的基于代理模型的预选策略的优势。实验结果表明，在两组测试服上，RCPS 优于比较预选策略。为了达到相同的精度，与没有 RCPS 的 EA 相比，具有 RCPS 的 EA 需要更少的适应度评估。建立一个分类模型来学习基于给定训练数据集的一对解决方案之间的关系，并通过这种关系预先筛选出有希望的候选解决方案。对RCPS的机制进行了可视化和分析。通过全面的实证研究说明了 RCPS 相对于传统的基于代理模型的预选策略的优势。实验结果表明，在两组测试服上，RCPS 优于比较预选策略。为了达到相同的精度，与没有 RCPS 的 EA 相比，具有 RCPS 的 EA 需要更少的适应度评估。建立一个分类模型来学习基于给定训练数据集的一对解决方案之间的关系，并通过这种关系预先筛选出有希望的候选解决方案。对RCPS的机制进行了可视化和分析。通过全面的实证研究说明了 RCPS 相对于传统的基于代理模型的预选策略的优势。实验结果表明，在两组测试服上，RCPS 优于比较预选策略。为了达到相同的精度，与没有 RCPS 的 EA 相比，具有 RCPS 的 EA 需要更少的适应度评估。通过全面的实证研究说明了 RCPS 相对于传统的基于代理模型的预选策略的优势。实验结果表明，在两组测试服上，RCPS 优于比较预选策略。为了达到相同的精度，与没有 RCPS 的 EA 相比，具有 RCPS 的 EA 需要更少的适应度评估。通过全面的实证研究说明了 RCPS 相对于传统的基于代理模型的预选策略的优势。实验结果表明，在两组测试服上，RCPS 优于比较预选策略。为了达到相同的精度，与没有 RCPS 的 EA 相比，具有 RCPS 的 EA 需要更少的适应度评估。