Nov, 2020

多保真度多目标贝叶斯优化：一种输出空间熵搜索方法

PDF
TL;DR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。
blackbox optimizationmulti-objective optimizationmulti-fidelity function evaluationspower system design optimizationmf-osemo
发现论文，激发创造
  • 带约束的多目标贝叶斯优化的最大值熵搜索

    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

  • 多精度贝叶斯优化中的最大值熵搜索及其并行化

    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

  • 多目标贝叶斯优化不确定性感知搜索框架

    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

  • 使用 Pareto 前沿熵的多目标 Bayesian 优化

    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

  • 基于约束条件的多目标贝叶斯优化的预测熵搜索

    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

  • 多保真贝叶斯优化与跨任务可转移最大值熵搜索

    介绍了一种新颖的信息论获取函数，通过实施基于粒子变分贝叶斯更新的共享任务间潜在变量，平衡了对当前任务信息获取需求与收集可迁移到未来任务的信息目标，实验证明，该策略能够显著提高优化效率。

    Mar, 2024

  • 带约束的多目标贝叶斯优化不确定性搜索框架

    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

  • 高斯过程多保真贝叶斯优化通用框架

    本文研究了多个输出之间具有复杂结构依赖关系的多认真贝叶斯优化，并提出了 MF-MI-Greedy，一种解决此问题的原则算法框架。

    Nov, 2018

  • 多目标优化问题中实现目标空间的多样性，以实现高效率搜索

    该论文提出了一种利用 LMS 指标和多目标优化方法来寻找符合用户性能标准的智能设计方案的方法，并在多个问题上进行了验证与分析。

    Jun, 2023

  • 带约束的多目标贝叶斯优化的改进最大值熵搜索

    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