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

利用概率重参数化方法（PR）在混合或高基数离散搜索空间中最大化收购功能（AF），可显著提高贝叶斯优化（BO）的优化表现，并且能够很自然地扩展到具有多个目标和黑盒约束的设置。

Oct, 2022

通过协作方法和共识机制改进贝叶斯优化模型，以实现在不同客户之间分配实验任务，快速迭代优化设计，从而达到优化设计过程加速的目的。

Jun, 2023

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

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

多重保真度优化（MFO）是一种通过分层保真度方法，平衡高保真度准确性和计算效率的成本有效策略，本调查研究了MFO的基本原理、方法和应用，并展望了MFO领域中的挑战和前景，以促进进一步的研究和合作。

Feb, 2024

在资源受限的顺序实验设计中，我们研究了贝叶斯优化的改进，其中搜索空间的某些设计变量的改变会产生切换成本。我们将两种过程受限的批处理算法调整为这个顺序问题的公式，并提出了两种新方法：一种考虑成本，一种忽略成本。通过使用一组7个具有不同维度和切换成本设置的可扩展测试函数以及30个总配置的验证和比较算法，我们的无超参数成本感知算法在我们考虑的所有设置中都产生了可比的结果，表明对于不同的景观特征和成本权衡具备一定的鲁棒性。随着切换成本的增加，这种方法开始在性能上超越其他算法。我们的工作与其他最近在资源受限设置中仅考虑批处理设置的贝叶斯优化研究有所不同。尽管这项工作的贡献与一般的资源受限问题相关，但在适应不同资源可用性的问题中尤为重要。

May, 2024

离线黑盒优化目标是通过预先采集的函数值和相关输入设计的离线数据集的知识来优化黑盒函数。我们提出了一种可学习的能量驱动潜空间模型，以及一种基于噪声增强的望远镜密度比估计方案，用于变分学习准确的潜空间模型。通过所学的能量驱动模型在潜空间中的梯度导向采样，我们展示了该方法在高价值设计模式的探索中取得了显著改进。

May, 2024

提出了一种针对黑盒系统的用于高效采样的基于贝叶斯优化的新颖搜索算法。通过模拟和实验，自动发现多样化的系统行为对于许多真实世界的设计问题至关重要。该算法利用多输出高斯过程模型和一种基于后验样本的新颖度量，既能够促进探索又能够充分利用已有信息，从而在有限的样本预算下找到更大的多样化行为集合。

Jun, 2024

本研究解决了离线黑箱优化中缺乏有效样本生成的难题，提出了“代理增强采样”以利用训练好的代理提供明确的指导，并结合“基于扩散的代理精细化”来提高优化的鲁棒性。结果表明，该方法在多个设计基准任务上达到了最先进的效果，显示了其在条件生成中的强大潜力。

Oct, 2024