基于渐进障碍与概率估计的约束随机黑箱优化
最优化与控制
2022-07-29 v1
摘要
本文介绍了 StoMADS-PB 算法，用于约束随机黑箱优化，该算法是网格自适应直接搜索（MADS）方法的扩展，后者最初是为一般约束下的确定性黑箱优化而开发的。目标函数和约束函数的值由一个含噪黑箱提供，即它们只能在有未知分布的随机噪声下被计算。与 MADS 中一样，约束违反被聚合成单一的约束违反函数。由于所有函数值在数值上均不可得，StoMADS-PB 使用估计并引入所谓的违反概率界。由随机观测得到的此类估计与界限需以高但固定的概率准确且可靠。所提方法允许中间不可行迭代点，利用充分下降条件并接受新点，同时对概率界施加阈值。借助 Clarke 非光滑分析与鞅理论，以概率一导出了目标函数与违反函数的 Clarke 驻点收敛结果。
引用
@article{arxiv.2011.04225,
title = {Constrained stochastic blackbox optimization using a progressive barrier and probabilistic estimates},
author = {Kwassi Joseph Dzahini and Michael Kokkolaras and Sébastien Le Digabel},
journal= {arXiv preprint arXiv:2011.04225},
year = {2022}
}