混合变量问题的混合强化学习框架
最优化与控制
2024-06-03 v1 机器学习
摘要
具有离散和连续变量的优化问题在多个领域中常见，由于其复杂的解决方案景观以及不易有效导航混合变量空间的难题，这类问题 presents unique挑战。为了应对这些挑战，我们引入一种混合强化学习(RL)框架，将RL用于离散变量选择与贝叶斯优化用于连续变量调整相结合。该框架的独特之处在于其战略性地集成了RL和连续优化技术，使其能够动态适应问题的混合变量本质。通过采用RL来探索离散决策空间，并利用贝叶斯优化来细化连续参数，我们的方法不仅显示出灵活性，也提升了优化性能。我们在合成函数和真实世界的机器学习超参数调优任务上的实验结果表明，该方法在有效性和效率方面 consistently优于传统RL、随机搜索和独立的贝叶斯优化。
引用
@article{arxiv.2405.20500,
title = {Hybrid Reinforcement Learning Framework for Mixed-Variable Problems},
author = {Haoyan Zhai and Qianli Hu and Jiangning Chen},
journal= {arXiv preprint arXiv:2405.20500},
year = {2024}
}