基于代理的照明辅助的数据有效的设计探索

Jun, 2018

基于代理的照明辅助的数据有效的设计探索

Data-Efficient Design Exploration through Surrogate-Assisted Illumination

Adam Gaier, Alexander Asteroth, Jean-Baptiste Mouret

TL;DR本文介绍了一种新的启发式算法 ——Surrogate-Assisted Illumination，利用代理建模技术在设计空间中创建映射，同时最小化适应度评估次数。使用这个算法进行设计优化，可以在更少的评估次数内产生高质量、多样性的设计，有助于设计者了解超越纯粹目标优化之外的可能性。

Abstract

design optimization techniques are often used at the beginning of the design process to explore the space of possible designs. In these domains illumination algorithms, such as MAP-Elites, are promising alternatives to classic optimization algorithms because they produce diverse, high-

design optimization illumination algorithms surrogate-assisted illumination surrogate modeling techniques data-efficient design exploration

发现论文，激发创造

通过精英映射技术照亮搜索空间

描述了一种基于 Multi-dimensional Archive of Phenotypic Elites (MAP-Elites) 算法的多目标搜索优化算法，该算法通过生成高性能解的分布图，帮助用户更好地分析最佳解的属性及其效果。

Apr, 2015

水下航行器外壳的高效可替代设计优化

本研究探讨了在无人水下器（UUV）的设计过程中，采用计算流体动力学（CFD）与基于深度神经网络（DNN）的代理模型相结合，通过贝叶斯优化（BO）实现高效样本及快速数据驱动的 UUV 设计优化问题，结果表明，BO LCB 算法是最具高效的优化框架，DNN 代理模型可以实现计算的极速提升与相关精度的优化。

Apr, 2023

从次优演示中学习稀疏奖励任务

本文提出了自适应模仿学习（SAIL）算法，该算法利用了有限数量的次优演示来实现高度挑战性的稀疏奖励任务，并显著提高了样本效率和最终性能。

Apr, 2020

映射极点是否揭示搜索空间？MAP-Elites 应用于人工智能与人类协作设计的大规模用户研究

研究发现，人工智能协作设计工具的设计推荐对设计过程有积极影响，尤其是综合使用 MAP-Elites 和随机选取的设计推荐能够提高设计任务的参与度和最终设计的质量。有关衡量人工智能协作算法在设计过程中影响的指标存在不足，这对于设计新的混合倡议工具和评估现有工具的研究人员都是非常重要的发现。

Jan, 2024

将 Lipshitz 和 RBF 替代模型组合应用于高维计算密集型问题

本文提出了基于 Lipschitz 低估的代理模型，结合标准径向基函数代理模型和局部搜索程序，开发了一种差分进化算法，名为 Lipschitz Surrogate-assisted Differential Evolution（LSADE）。实验结果表明，所提出的 LSADE 算法与高维复杂的基准函数的最先进算法相比表现出色，尤其在有限的计算预算下更加有效。

Apr, 2022

协方差矩阵适应性算法及其在行为空间快速搜索中的应用

本文提出了结合协方差矩阵自适应技术和档案映射技术以维持多样性的新型 quality diversity 算法 (CMA-ME)，在连续空间的测试表明，CMA-ME 相较于 MAP-Elites 能够找到更好的解决方案以及策略多样性，表现翻倍。此算法对于同时探索和优化连续搜索空间有着极大的应用价值，可以应用于设计、测试和强化学习等领域。

Dec, 2019

基于优势干预的安全强化学习

提出了一个新的算法 SAILR，该算法使用基于优势函数的干预机制在训练期间保持代理的安全，并使用为无约束 MDP 设计的现成强化学习算法来优化代理的策略。在使用实验证明了该算法在训练和部署期间都具有较强的安全性和良好的策略表现。

Jun, 2021

景观素描算法：基于人工智能与机器学习的代理优化问题元启发式方法

在本文中，我们介绍了一种新的启发式算法，用于在成本函数的 extensive 评估是昂贵、不可访问或甚至是禁止的场景中进行全局优化。该方法结合了机器学习、随机优化和强化学习技术，并依赖于以前采样点的历史信息，选择应该评估成本函数的参数值。与 Replica Exchange Monte Carlo 方法优化相比，该方法所需的成本函数评估次数与模拟退火方法相当，这在高通量计算或高性能计算任务等上下文中特别重要，其中评估要么计算成本高，要么需要很长时间才能执行。该方法与标准的替代优化技术不同，因为它不构建旨在近似或重构目标函数的替代模型。我们通过将其应用于低维优化问题（维度为 1、2、4 和 8），模拟了凝聚态物理中常见的崎岖能量景观上的最小化困难，其中成本函数崎岖不平且充斥着局部最小值。与经典模拟退火相比，LSS 显示出优化过程的有效加速。

Sep, 2023

计算流体动力学问题上基于代理的进化算法的性能比较

这篇研究论文使用两个真实的计算流体动力学问题比较了十一个最先进的单目标代理辅助进化算法的性能表现，结果发现最近发布的方法以及利用差分进化作为优化机制之一的技术明显优于其他方法。

Feb, 2024

提升带有未评估解决方案的 SAEAs 性能：昂贵优化问题中的关系模型实证分析

使用未经评估的解决方案提高代理辅助进化算法的效率，通过引入适应于选择阶段的关系模型，证明其在高质量解决方案的选择中优于回归和分类模型，从而显著提高算法的效率。

Sep, 2023