一种可批处理的可扩展多目标贝叶斯优化算法
神经与进化计算
2018-11-06 v1
摘要
代理模型辅助的优化算法是解决昂贵多目标优化问题的一种有前景的方法。然而，大多数现有的代理模型辅助多目标优化算法有三个主要缺点：1) 在求解高维决策空间问题时可扩展性差，2) 无法融入可用的梯度信息，3) 不支持批处理优化。这些缺点阻碍了它们在许多现实大规模优化问题中的应用。本文提出一种可批处理的可扩展多目标贝叶斯优化算法来解决这些问题。所提算法使用贝叶斯神经网络作为可扩展代理模型。借助蒙特卡洛 dropout 和 Sobolov 训练，该模型易于训练且能融入可用的梯度信息。我们还提出了一种新颖的批处理超体积上置信界采集函数以支持批处理优化。在各种基准问题和一项实际应用上的实验结果证明了所提算法的有效性。
引用
@article{arxiv.1811.01323,
title = {A Batched Scalable Multi-Objective Bayesian Optimization Algorithm},
author = {Xi Lin and Hui-Ling Zhen and Zhenhua Li and Qingfu Zhang and Sam Kwong},
journal= {arXiv preprint arXiv:1811.01323},
year = {2018}
}