面向不可预测商业环境的自适应贝叶斯优化算法
最优化与控制
2024-01-23 v1
摘要
本文提出了一种基于贝叶斯定理的创新优化框架和算法，具有自适应条件化和抖动特征。自适应条件化函数在每次迭代中动态修改目标均值函数，增强了其适应性。代表模型对真实目标函数最优值的最佳估计的均值函数，会根据观测数据进行调整。该框架还引入了自适应采集抖动函数，通过调整采集函数的抖动来增强适应性。此外，它还引入了带有惩罚项的鲁棒目标函数，旨在在不确定性下生成鲁棒解。对该框架的评估包括单目标、解耦多目标和组合多目标函数。统计分析（包括 t 统计量、p 值和效应量测度）突显了所提框架相对于原始贝叶斯优化的优越性。条件化函数的自适应特性使算法能够无缝纳入新数据，使其在动态优化场景中尤为有益。
引用
@article{arxiv.2401.11264,
title = {Adaptive Bayesian Optimization Algorithm for Unpredictable Business Environments},
author = {Sarit Maitra},
journal= {arXiv preprint arXiv:2401.11264},
year = {2024}
}