C-GLISp：基于偏好的未知约束下全局优化及其在控制器标定中的应用

基于偏好的全局优化算法仅根据给定的候选优化向量对之间函数更好、更差或相似来最小化未知目标函数。此类优化问题出现在许多现实例子中，例如寻找控制律参数的最优标定。标定者可以判断特定参数组合是否带来更好、更差或相似的闭环性能。通常，最优参数的搜索还受到未知约束的限制。例如，标定参数向量不得导致闭环不稳定。本文扩展了作者近期提出的主动偏好学习算法以处理未知约束。所提方法称为C-GLISp，仅基于在候选向量对上表达的偏好，以及给定向量是否被报告为可行和/或满意，来寻找问题的优化器。C-GLISp基于表达的偏好学习底层目标函数的代理模型，并基于每个被测向量是否被如此判定来学习样本可行和/或满意的概率的代理模型。代理函数被迭代地用于提出新的候选向量以供测试和判定。数值基准和半自动控制器标定任务证明了C-GLISp的有效性，表明其能在少量迭代内达到近最优解。