BONSAI：面向不确定网络黑盒系统的结构利用鲁棒贝叶斯优化

在不确定性下进行最优设计仍是推动可靠下一代过程系统发展的根本挑战。鲁棒优化 (RO) 通过在一系列不可确定参数范围内保护最坏情况场景，提供了原则方法。然而，传统 RO 方法通常需要已知问题结构，这限制了其在高保真仿真环境中的适用性。为克服这些限制，最近的研究探索了鲁棒贝叶斯优化 (RBO) 作为灵活替代方案，以适应高成本、黑盒目标。然而，现有 RBO 方法通常忽略可用结构信息，难以扩展到高维设置。在本工作中，我们引入 BONSAI（Bayesian Optimization of Network Systems under uncertAInty），一种新的 RBO 框架，利用仿真模型中常见的部分结构知识。与将目标视为单一黑盒不同，BONSAI 将其表示为相互连接的白盒和黑盒组件的有向图，允许算法在优化过程中利用中间信息。我们进一步提出了针对结构化 RO 场景的可扩展 Thompson 抽样获取函数，可有效使用梯度方法进行优化。我们在多样化的合成和真实世界案例研究中评估了 BONSAI，包括过程系统工程中的应用。与现有仿真-based RO 算法相比，BONSAI 在一致提供更高效采样和更高质量鲁棒解决方案方面，凸显了其在复杂工程系统中实现不确定性感知设计的实际优势。