BOP-Elites：一种用于质量-多样性搜索的贝叶斯优化算法
最优化与控制
2020-05-12 v1 机器学习
机器学习
摘要
质量-多样性（QD）算法（如MAP-Elites）是一类优化技术，试图从目标函数中找到一组高性能点，同时强制这些点在用户选择的一个或多个可解释特征函数上具备行为多样性。本文提出精英贝叶斯优化（BOP-Elites）算法，该算法利用贝叶斯优化中的技术，以高斯过程显式建模质量与多样性。通过将特征空间中用户定义的区域视为“生态位”，我们的任务是在每个生态位中找到最优解。我们提出一种新颖的采集函数，用以智能选择能为“识别每个生态位中最优解”这一整体问题带来最高期望改进的新点。如此，每次函数评估都丰富了我们的建模并洞悉整个问题，自然平衡了搜索空间的探索与利用。所得算法能非常有效地识别特征空间中属于某生态位的搜索空间部分，并在每个生态位中找到最优解。它也比简单的基准方法显著更具采样效率。BOP-Elites超越了现有QD算法，量化了预测周围的不确定性，并通过代理模型对搜索空间提供了额外 illumination（照亮）。
引用
@article{arxiv.2005.04320,
title = {BOP-Elites, a Bayesian Optimisation algorithm for Quality-Diversity search},
author = {Paul Kent and Juergen Branke},
journal= {arXiv preprint arXiv:2005.04320},
year = {2020}
}
备注
Submitted to Parallel Problem Solving from Nature (PPSN) April 22nd - 2020 (https://ppsn2020.liacs.leidenuniv.nl/calls/)