Mar, 2017

mlrMBO: 用于昂贵黑盒函数模型优化的 模块化 框架

PDF
TL;DRmlrMBO 是用 R 编写的模型优化（MBO）工具箱，用于单目标和多目标优化，使用替代回归模型逼近给定的目标函数，实现了多点批量建议、可视化等功能，并在广泛的优化器基准方案中进行了对比，表现出最先进的性能。
mlrmbomodel-based optimizationbayesian optimizationsurrogate regression modelmulti-objective optimization
发现论文，激发创造
  • PMBO: 通过多元多项式替代物强化黑箱优化

    采用多项式模型为基础的优化方法 (PMBO) 在低维优化问题中表现出色，与经典贝叶斯优化和进化算法相比具有更好的鲁棒性和解释性。

    Mar, 2024

  • 基于多项式模型的黑盒目标优化

    通过拟合多项式替代模型到目标函数，通过迭代更新模型并利用预期改进的探索和利用平衡，提供模型的不确定性估计的 PMBO 是一种成功竞争，并在某些情况下甚至超越其他算法的黑盒优化方法，可广泛应用于各个领域。

    Sep, 2023

  • 高维搜索空间上的多目标贝叶斯优化

    本文提出了一种可伸缩的多目标贝叶斯优化算法 MORBO，通过同时在设计空间的多个本地区域中使用协调策略进行并行优化，远高于现有算法的采样效率，适用于高维度的综合问题。

    Sep, 2021

  • 增强的上下文黑盒优化

    RIBBO 是一种从离线数据中强化学习 Black-Box Optimization 算法的方法，采用表达能力强的序列模型学习多个行为算法和任务产生的优化历史，通过集成 regret-to-go tokens 来自动生成满足用户期望遗憾值的查询点，从而在各种问题上实现了普遍良好的实证性能。

    Feb, 2024

  • MBORE: 多目标贝叶斯优化与密度比估计

    这篇论文针对多目标优化问题，提出了一种名为 MBORE 的方法，它将 BORE 扩展到了多目标问题，并在一系列合成和真实世界基准测试中与 BO 进行了比较。结果表明，在许多问题上，MBORE 的表现要好于或优于 BO，在高维度和真实世界问题上优势更为明显。

    Mar, 2022

  • 输入噪声下的稳健多目标贝叶斯优化

    本文提出了一种新的多目标贝叶斯优化方法，旨在解决存在输入噪声的多目标优化问题，通过优化多维风险价值 (MVaR) 来产生适应噪声并能够满足多个指标要求的最优设计。

    Feb, 2022

  • 组合和混合变量贝叶斯优化的框架和基准

    本论文提出了混合变量和组合贝叶斯优化（MCBO）的模块化框架，以解决当前 MCBO 研究领域缺乏系统性基准和标准评估的问题，通过在 10 个任务上进行超过 4000 次实验，证明了该框架比现有方法具有更高的性能表现，并揭示了模型拟合和信任区域使用的重要性。

    Jun, 2023

  • MALIBO: 元学习用于无似然贝叶斯优化

    提出了一种新的元学习贝叶斯优化方法，通过直接学习任务间查询的效用来解决现有方法在规模可扩展性、观测尺度和噪声类型上的限制，明确建模任务不确定性，并使用辅助模型实现对新任务的稳健适应，在各个基准测试中展现了强大的即时性能，并优于现有元学习贝叶斯优化方法。

    Jul, 2023

  • 基于低预算的黑盒优化算法在 BBOB 和 OpenAI Gym 上的评估

    机器学习和黑盒优化之间的相互影响性及算法性能的比较研究：基于机器学习和黑盒优化的算法在有限预算下具有较好性能，但随着预算增加，其他算法家族通常表现更好。

    Sep, 2023

  • 基于贝叶斯优化的多目标混合变量问题

    本研究提出了一种混合变量、多目标贝叶斯优化框架 MixMOBO，可高效找到混合变量设计空间的最优帕累托前沿，同时确保多样解，结果表明 MixMOBO 在合成问题上表现良好。

    Jan, 2022