可行性驱动的信任域贝叶斯优化
机器学习
2025-06-18 v1
摘要
贝叶斯优化是解决受严格评估预算约束下优化问题的强大工具，适用于涉及高成本仿真或实验的应用。然而，这些任务常常以昂贵约束为特征，其解析形式未知且常在高维空间中定义，其中可行区域小且不规则，难以识别。在这种情况下，大量优化预算可能仅用于寻找第一个可行解，从而限制了现有方法的有效性。本文提出了一种可行性驱动的信任域贝叶斯优化 (FuRBO) 算法。FuRBO 迭代定义信任域，从中选择下一个候选解，利用目标和约束代理模型的信息。我们的自适应策略允许信任域在迭代之间发生显著位移和调整，使优化器能够快速重新聚焦其搜索，从而持续加速可行解和高质量解的发现。我们通过在完整的 BBOB-受限 COCO 基准套件和其他物理启发的基准上进行大量测试，展示了 FuRBO 的有效性，比较了各种约束严重程度和问题维度（从 2 到 60）下的受约束黑箱优化的最新基准方法。
引用
@article{arxiv.2506.14619,
title = {Feasibility-Driven Trust Region Bayesian Optimization},
author = {Paolo Ascia and Elena Raponi and Thomas Bäck and Fabian Duddeck},
journal= {arXiv preprint arXiv:2506.14619},
year = {2025}
}
备注
Accepted for publication at AutoML2025