文件名称：Surrogates.jl：科学机器学习（SciML）的替代模型和优化
文件大小：150KB
文件格式：ZIP
更新时间：2024-03-07 10:28:56
high-performance-computing surrogate surrogate-models surrogate-based-optimization surrogates
代理人 替代模型是一种近似方法，它模仿计算上昂贵的模拟的行为。 用更多的数学术语：假设我们正在尝试优化函数f(p) ，但是f每次计算都非常昂贵。 可能是我们需要为每个点求解PDE或使用高级数值线性代数机制的情况，这通常很昂贵。 我们的想法是再开发一个替代模型g近似于f通过对从评估收集以前的数据训练f 。 代理模型的构建可以看作是一个三步过程： 样品选择 替代模型的构建 代理优化 当前所有可用的采样方法： 网格 制服 索博尔 拉丁超立方体 低差异 克罗内克 金的 随机的 当前所有可用的代理模型： 克里格 使用Stheno进行克里金法 径向基础 温德兰 线性的 二阶多项式 支持向量机（等待LIBSVM分辨率） 神经网络 随机森林 洛巴切斯基 反距离 多项式展开 保真度可变 专家混合（等待GaussianMixtures软件包在v1.5上工作） 地球 梯度增强克里格 当前所有可用的优
【文件预览】：
Surrogates.jl-master
----Project.toml(1KB)
----docs()
--------make.jl(2KB)
--------Project.toml(232B)
--------src()
----.github()
--------workflows()
----test()
--------VariableFidelity.jl(1KB)
--------inverseDistanceSurrogate.jl(1KB)
--------linearSurrogate.jl(509B)
--------AD_compatibility.jl(6KB)
--------random_forest.jl(733B)
--------SVMSurrogate.jl(513B)
--------secondOrderPolynomialSurrogate.jl(1KB)
--------Wendland.jl(417B)
--------optimization.jl(7KB)
--------Radials.jl(3KB)
--------earth.jl(405B)
--------lobachesky.jl(2KB)
--------MOE.jl(739B)
--------sampling.jl(2KB)
--------GEK.jl(815B)
--------runtests.jl(1KB)
--------neuralSurrogate.jl(2KB)
--------PolynomialChaos.jl(683B)
--------SthenoKriging.jl(4KB)
--------Kriging.jl(2KB)
----CNAME(20B)
----CONTRIBUTING.md(699B)
----src()
--------InverseDistanceSurrogate.jl(2KB)
--------VariableFidelity.jl(7KB)
--------Surrogates.jl(4KB)
--------SecondOrderPolynomialSurrogate.jl(2KB)
--------LinearSurrogate.jl(2KB)
--------SVMSurrogate.jl(2KB)
--------Wendland.jl(2KB)
--------Radials.jl(6KB)
--------MOE.jl(10KB)
--------NeuralSurrogate.jl(1KB)
--------Earth.jl(12KB)
--------GEK.jl(5KB)
--------Lobachesky.jl(5KB)
--------PolynomialChaos.jl(3KB)
--------SthenoKriging.jl(3KB)
--------Sampling.jl(5KB)
--------Kriging.jl(5KB)
--------RandomForestSurrogate.jl(2KB)
--------Optimization.jl(58KB)
--------utils.jl(98B)
----LICENSE.md(1KB)
----.gitignore(61B)
----README.md(2KB)