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

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

本文提出了基于高斯过程的约束最大值熵搜索 (cMES) 并表明它比其他基于熵搜索的约束优化算法在真实约束优化问题上更简单更快速。

Oct, 2019

本文介绍了一种基于 max-value entropy search 的多保真度贝叶斯优化 (MF-MES) 方法，该方法通过考虑最优函数值的熵，而非最优输入点，大大简化了计算，并成功解决了信息熵的估计难题。同时，文章还提出了 MF-MES 的并行化方案，并通过材料科学数据等基准数据集的实验验证了该方法的有效性。

Jan, 2019

本文提出一种名为 PESMOC 的基于信息的策略，用于同时优化多个昂贵的黑盒函数，并考虑多个限制条件，该策略可用于解决多种优化问题。实验结果表明，相对于随机搜索策略，PESMOC 能够在较少的评估次数下提供更好的建议。

Sep, 2016

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

通过变分推理（VI）的方法，将 Expected Improvement（EI）视为最大值熵搜索（MES）的特例，发展了变分熵搜索（VES）方法和 VES-Gamma 算法，将信息论概念融入 EI 中，展示了 VES-Gamma 在贝叶斯优化中的理论和实践效用。

Feb, 2024

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

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

本文提出了一种新的资产组合方法 —— 熵搜索组合（ESP），以解决 Bayesian 优化方法中的探索策略选择问题，并在实际和人工数据上的若干问题中证明了 ESP 方法的优越性和鲁棒性。

Jun, 2014