使用多目标贝叶斯优化方法,利用广义值分布来建立多独立 surrogate 模型(多 surrogates 方法),以解决现实问题中使用 scalarising 函数建立单一 surrogate 模型的限制。
Apr, 2022
本文提出了一种基于随机标量化策略的多目标优化方法,可快速、灵活地从 Pareto 前沿的特定区域中采样,且在多项真实问题和合成问题的实验中显示了良好表现。
May, 2018
综述了多保真优化与贝叶斯优化相交的领域中 MF BO 的最新发展,包括高斯过程为基础的 MF 代理模型和不同的采集函数,并探讨了多保真优化在约束优化、高维优化、不确定性优化和多目标优化中的应用。
Nov, 2023
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
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
本文提出了一种基于贝叶斯神经网络的优化框架,专门针对数据密集型环境中多目标优化的局限性进行了优化,实现了对大量数据的有效处理和复杂问题的建模,并展示了其在航空动力学和彩色印刷两个领域的应用和有效性。
Jun, 2023
采用拟贝叶斯优化的框架,通过利用简单的局部回归和随机化先验构建来量化不确定性,并保证收敛性,有效地优化高维度的综合实验、超参数调整和机器人应用的例子中胜过最先进的基准测试。
Oct, 2023
模拟基于贝叶斯优化 (SBBO) 是一种用于优化黑盒函数的新方法,只需要通过基于采样的后验预测分布进行访问。该方法允许在涉及组合空间和离散变量的情况下使用适用于组合空间的概率代理模型。在组合优化的应用中,我们通过使用不同的代理模型在实证上证明了 SBBO 方法的有效性。
Jan, 2024
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
机器学习模型的超参数优化是一个具有多目标的挑战性问题,本研究提出了一种多目标贝叶斯优化算法,通过统一目标规范化和随机化权重在标量化中解决了不同目标尺度的问题,并通过限制目标来提高算法效率,最后通过并行化加速了优化过程。
Sep, 2023