MESMOC + 是 Max-value Entropy Search for Multi-Objective Bayesian Optimization with Constraints（MESMOC）的改进版，用于解决评估昂贵的约束多目标问题，其成本是线性的，常常比其他方法更快。其基于函数空间的最小化熵的方法可优化 Pareto frontier 并且较之前的方法更为准确。

Nov, 2020

提出一种名为 MESMOC 的新方法来解决大规模设计问题的优化，通过使用输出空间熵的获得函数，选择评估输入序列来发现高质量的帕累托集解决方案同时满足约束条件。

Sep, 2020

本文提出一种名为具有约束的预测熵搜索（PESC）的基于信息的方法，旨在解决使用贝叶斯优化的期望改进启发式算法遇到的路径 ologies，并分析其在合成、基准和真实世界实例中表现优于基于 EI 的方法，展示其是一种有效的算法，为约束贝叶斯优化提供了一种有前途的解决方案。

Feb, 2015

本研究提出了信息理论框架，以解决具有黑盒约束条件的全局黑盒优化问题，并开发了一种预测熵搜索策略以解决解耦约束条件问题，在几个人工合成及实际问题中进行了改进比较，为有快慢函数评估的问题提出了平衡 PESC 元计算和目标计算时间的部分更新算法，并提出了自适应切换部分和完整更新版本来插值，PESC 为约束贝叶斯优化提供了一种统一的有效算法方向。

Nov, 2015

本文提出了一种基于信息论的贝叶斯优化方法 —— 预测性熵搜索（PES），PES 可以在全局最优值相对应的信息增益期望上选择下一个评估点，通过预测分布差异熵的期望减少来表示无法计算的获取函数，PES 可以获得比其他方法更准确和更有效的近似值，并且可以轻松进行完全贝叶斯处理，本文还对来自不同领域的数据进行了评估，结果显示 PES 增强了优化性能。

Jun, 2014

用代理模型进行不确定度感知的搜索，以在减小函数计算的前提下，近似求出满足一组约束条件的真实 Pareto 解集，将其应用于昂贵的电路优化实验中，实现了 90% 以上的计算次数减少。

Aug, 2020

提出一种新的最大值熵搜索（Max-value Entropy Search，MES）标准，用于提高贝叶斯优化方法的计算效率和实现遗憾界规范，该方法在高维问题上效率更高且性能良好。

Mar, 2017

本文介绍一种名为平行预测熵搜索 (PPES) 的新型算法，用于贝叶斯优化昂贵的黑匣子目标函数，并通过机器学习、火箭科学、机器人等领域的案例研究，展示了其批处理选择策略的优化表现。

Nov, 2015

本文研究了多目标黑盒优化的新问题，通过以不同资源消耗和准确性变化的多重保真度函数评估来减少资源消耗，以近似真实的帕累托解集合。 提出了一个称为 MF-OSEMO 的新方法来解决这个问题，并在几个综合性和真实基准问题上进行实验，表明 MF-OSEMO 相对于单一忠实算法在多目标优化上有显著改进。

Nov, 2020

本研究提出一种基于熵的多目标贝叶斯优化方法（MBO），称为帕累托前沿熵搜索（PFES），该方法考虑到帕累托前沿的熵，通过推导标准熵搜索设定的解析公式来获得帕累托最优性的权衡关系，并可以适应解耦合条件下的目标函数熵计算。实验验证表明 PFES 方法在多种基准数据集上的有效性。

Jun, 2019