多准则优化的多精度方法:一项调查
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
基于贝叶斯优化的多重保真度方法的研究,旨在解决在实际应用中存在的假设不准确的问题,其中包括高保真度数据获取成本高和数据源之间相关度局限性的挑战。通过提出一种多重保真度仿真方法,我们可以学习每个数据源的噪声模型,并使多重保真度优化能够利用高度偏差的低保真度数据源,从而提升性能。
Sep, 2023
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
通过比较多种多保真度方法构建高斯过程代理进行回归,我们发现多保真度方法通常具有较小的预测误差,且对于相同计算成本而言,其效果因不同场景而异。
Apr, 2024
多重保真度代理模型结合了不同来源的准确性和成本不同的数据。它战略性地使用低保真度模型进行快速评估,节省计算资源,并使用高保真度模型进行详细优化,它通过解决不确定性和超越单一保真度模型的限制来改善决策。融合高保真度数据用于详细响应,并且频繁融合低保真度数据用于快速近似,有助于在各个领域进行设计优化。
Apr, 2024
该研究介绍了一种方法,通过多精度评估、机器学习模型和优化算法的战略性协同,增强受有限计算资源约束的反向设计优化过程。该方法在两个不同的工程反向设计问题上进行了分析,通过在每个优化循环中利用训练有低精度模拟数据的机器学习模型,高效地预测目标变量并确定是否需要高精度模拟,从而显著节省了计算资源。此外,该机器学习模型在优化之前被战略性地使用以减小搜索空间,进一步加快了收敛到最优解的速度。该方法已被应用于增强差分进化和粒子群优化两种优化算法,对比分析表明两种算法的性能有所提升。值得注意的是,该方法适用于任何反向设计应用,实现了低精度机器学习模型和高精度模拟之间的和谐协同,并且可以无缝应用于任何种类的基于群体的优化算法。
Dec, 2023
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