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。