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

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

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

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

本研究提出了一种新颖的不确定性感知搜索框架（USeMO），使用代理模型的多目标黑盒优化解决方案来选择评估输入序列，通过减少函数评估的数量，近似真正的 Pareto 集。我们在多个合成和六个不同的真实基准问题上的实验表明，USeMO 总是优于现有算法。

Apr, 2022

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