该研究提出了一种结合多精度评估、机器学习和优化算法的反向设计优化方法。通过低精度模拟数据预测目标变量，显著节省计算资源并加快收敛速度，适用于各种反向设计应用，提升了差分进化和粒子群优化算法的性能。

该研究介绍了一种通过多精度评估、机器学习模型和优化算法的协同方法，以增强受计算资源约束的反向设计优化过程。该方法通过利用低精度模拟数据的机器学习模型，高效地预测目标变量并确定是否需要高精度模拟，从而节省了计算资源。该方法已应用于差分进化和粒子群优化两种算法，提升了性能。该方法适用于任何反向设计应用，并实现了低精度模型和高精度模拟之间的协同。

该研究介绍了一种通过多精度评估、机器学习模型和优化算法的协同方法，以增强受计算资源约束的反向设计优化过程。该方法通过利用低精度模拟数据的机器学习模型预测目标变量，节省了计算资源。此外，该方法还能减小搜索空间，加快收敛速度。该方法已应用于差分进化和粒子群优化两种算法，提升了性能。适用于任何反向设计应用，实现了低精度机器学习模型和高精度模拟的协同。

该研究介绍了一种通过多精度评估、机器学习模型和优化算法的战略性协同来增强反向设计优化过程的方法。该方法通过利用训练有低精度模拟数据的机器学习模型，高效地预测目标变量并确定是否需要高精度模拟，从而节省了计算资源。该方法适用于任何反向设计应用，并可无缝应用于任何种类的基于群体的优化算法。