带运动惩罚的贝叶斯优化及其在风能系统中的应用
机器学习
2022-10-18 v1 机器学习
摘要
情境贝叶斯优化（CBO）是一种在给定侧面信息下进行序贯决策的强大框架，具有重要应用，例如风能系统。在此设定中，学习者在每轮接收情境（如天气条件），并必须选择动作（如风机参数）。标准算法假设每轮切换决策无需成本。然而，在许多实际应用中，此类变化关联有应被最小化的成本。我们引入带运动成本的情境化 CBO 问题，并基于 Coester 和 Lee (2019) 的度量任务系统在线学习方法，提出一种利用高斯过程置信界的新随机镜像下降算法。我们将其性能与每轮的离线最优序列比较，并提供严格的后悔保证。我们进一步在机载风能系统高度优化这一重要现实应用中展示我们的方法。在存在显著运动成本时，我们的算法持续优于标准 CBO 算法。
引用
@article{arxiv.2210.08087,
title = {Movement Penalized Bayesian Optimization with Application to Wind Energy Systems},
author = {Shyam Sundhar Ramesh and Pier Giuseppe Sessa and Andreas Krause and Ilija Bogunovic},
journal= {arXiv preprint arXiv:2210.08087},
year = {2022}
}
备注
Accepted to NeurIPS 2022