A First Look at Kolmogorov-Arnold Networks in Surrogate-assisted Evolutionary Algorithms

代理辅助进化算法（SAEA）是解决昂贵问题的重要方法。利用代理模型替代优化函数可以显著减少搜索过程中对函数评估的依赖，从而降低优化成本。代理模型的构建是SAEA中的关键组成部分，许多机器学习算法在模型构建阶段发挥了关键作用。本文介绍了Kolmogorov-Arnold Networks（KANs）作为SAEA中的代理模型，探讨了它们的应用和有效性。我们利用KANs进行回归和分类任务，重点关注搜索过程中有前途的解的选择，从而减少昂贵的函数评估数量。实验结果表明，KANs在SAEA中表现出了可靠的性能，有效地减少了函数调用次数并提高了优化效率。相关代码可公开访问，可在GitHub存储库中找到。

本论文旨在通过Surrogate-assisted Evolutionary Algorithm（SAEA）解决昂贵问题，即在优化过程中减少函数评估的数量，以降低优化成本。

本文介绍了Kolmogorov-Arnold Networks（KANs）作为SAEA中的替代模型，并探讨了它们的应用和有效性。KANs可用于回归和分类任务，在搜索过程中选择有前途的解决方案，从而减少昂贵的函数评估数量。

实验结果表明，KANs在SAEAs中表现出优秀的性能，有效地减少了函数调用次数并提高了优化效率。研究人员公开了相关代码并提供了GitHub存储库。

最近的相关研究包括使用支持向量机和神经网络作为代理模型的SAEAs，以及使用遗传算法和粒子群优化的其他优化算法。