基于记忆引导的信任区域贝叶斯优化（MG-TuRBO）用于高维问题
机器学习
2026-04-13 v1
摘要
交通仿真和数字孪生校准是具有挑战性的优化问题，仿真预算有限。每次试验都需要昂贵的仿真运行，校准输入与模型误差之间的关系常为非凸且噪声较大。随着校准参数数量的增加，问题变得更加困难。我们比较了常用的自动校准方法——遗传算法（GA），与贝叶斯优化方法（BOMs）：经典贝叶斯优化（BO）、信任区域贝叶斯优化（TuRBO）、Multi-TuRBO，以及提出的记忆引导TuRBO（MG-TuRBO）方法。我们在两个真实世界的交通仿真校准问题上进行比较，分别包含14和84个决策变量，分别代表低维（14D）和高维（84D）设置。对于BOMs，我们研究了两种获取策略：Thompson抽样和一种新颖的自适应策略。我们使用最终校准质量、收敛行为和跨运行一致性进行评估。结果显示，BOMs在低维问题中显著快于GA达到良好的校准目标。MG-TuRBO在我们的14D设置中表现相当，在84D问题中尤其在配合自适应策略时显示明显优势。我们的结果表明，MG-TuRBO特别适用于高维交通仿真校准，可能也适用于更广泛的高维问题。
引用
@article{arxiv.2604.08569,
title = {Memory-Guided Trust-Region Bayesian Optimization (MG-TuRBO) for High Dimensions},
author = {Abhilasha Saroj and Shaked Regev and Guanhao Xu and Jinghui Yuan and Roy Luo and Ross Wang},
journal= {arXiv preprint arXiv:2604.08569},
year = {2026}
}