多保真度框架下高保真模型的资源分配策略

我们提出了一种新颖的方法，用于在多保真度框架中使用昂贵的高保真模型仿真时分配资源。在只能运行少量昂贵的高保真仿真的情况下，将计算资源分配给多个仿真模型的决策变得极其重要。我们将这一分配决策识别为一个最优子集选择问题，并随后对该问题进行正则化以便能够计算解。我们的正则化公式产生了一种群套索（group lasso）问题，文献中已研究此类问题以实现子集选择。我们的数值结果将求解群套索问题以进行算法分配的算法性能与多种其他策略进行比较，包括基于经典线性代数主元选取例程的策略以及由更现代的基于机器学习的方法导出的策略。我们在著名的合成问题和更困难的真实世界仿真上证明，这种针对松弛最优子集选择问题的群套索解优于其他替代方案。