Mar, 2023

偏好感知的约束多目标贝叶斯优化

PDF
TL;DR本研究提出了一种基于贝叶斯优化的 PAC-MOO 方法来解决在大部分输入空间不可行时（即违反约束条件），由实践者指定目标函数的约束多目标优化问题，特别地，在电路和电力系统设计等工程设计问题中。该方法能够学习输出目标和约束的代理模型，并选择在每次迭代中评估最大程度能获得有关最佳受约束 Pareto 前沿的信息且同时考虑目标偏好的候选输入，实验结果表明 PAC-MOO 比现有方法更加有效。
constrained multi-objective optimizationblack-box objective functionsbayesian optimizationanalog circuitselectric power system design
发现论文，激发创造
  • 多目标主动偏好学习的贝叶斯优化

    提出了一种贝叶斯优化方法，用于在具有昂贵目标函数的多目标优化问题中确定最优解，通过交互方式自适应地估计 DM 的贝叶斯偏好模型，并利用获得的偏好信息进行主动学习，从而有效地在基准函数优化和机器学习模型的超参数优化问题中找到最优解。

    Nov, 2023

  • 基于原则的偏好贝叶斯优化

    通过使用偏好反馈，我们构建了黑盒函数的置信区间，并提出了一种乐观算法，该算法具有有效的计算方法，并且在累积遗憾方面具有信息理论上的界限，从而使我们能够设计出具有收敛速率保证的估计最佳解决方案的方案。实验结果表明，我们的方法在高斯过程、标准测试函数和热舒适优化问题上都能稳定地达到更好或者有竞争力的性能，相比现有的启发式方法而言，我们的方法不仅拥有遗憾界限或收敛性的理论保证。

    Feb, 2024

  • 帕累托前沿多样化批次多目标贝叶斯优化

    我们提出了一种基于贝叶斯优化的新方法，称为 Pareto front-Diverse Batch Multi-Objective BO (PDBO)，用于解决多目标优化问题，其中我们可以评估一批输入并发现高质量和多样化的 Pareto 前沿。

    Jun, 2024

  • 一个考虑输入不确定性的强健多目标贝叶斯优化框架

    本研究提出了一种新的贝叶斯优化框架，用于考虑输入不确定性的多目标优化，包括鲁棒性的量化和搜索一个鲁棒的帕累托前沿，并通过数值基准测试证明了其有效性。

    Feb, 2022

  • 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

  • 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

  • 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

  • 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

  • 基于自适应主动学习的约束贝叶斯优化

    通过理论和实践方面的研究，发现在拥有噪声的约束贝叶斯优化中，通过识别高置信度兴趣区域，相交这些区域得出最终兴趣区域，并利用平衡优化和可行区域识别的新型获取函数，为其性能获得严谨的理论证明。

    Oct, 2023

  • 优先贝叶斯优化

    本文介绍了一种名为 PBO 的新框架，它扩展了标准 BO 的思想，并通过模型化 Bernoulli - 高斯过程模型来建模每个决斗的赢家概率，从而允许在仅通过两两比较的方式来查询隐函数，并且相对于以往方法，该方法在寻找最大值过程中需要极少的比较。

    Apr, 2017