面向随机黑箱模拟器的多保真度约束优化
最优化与控制
2023-11-28 v1 机器学习
机器学习
摘要
对模拟器参数进行约束优化在设计过程中起着关键作用。当模拟器具有随机性、计算昂贵且参数空间为高维时，这些问题变得极具挑战。仅能通过利用关于参数的梯度方可高效优化，但在许多遗留黑箱代码中这些梯度不可用。我们引入算法 Scout-Nd（Stochastic Constrained Optimization for N dimensions，N 维随机约束优化）以通过高效估计梯度、降低梯度估计噪声并应用多保真度策略来进一步减少计算量，从而解决前述问题。我们在标准基准上验证了该方法，展示了其在优化参数上的有效性，并表现出优于现有方法的性能。
引用
@article{arxiv.2311.15137,
title = {Multi-fidelity Constrained Optimization for Stochastic Black Box Simulators},
author = {Atul Agrawal and Kislaya Ravi and Phaedon-Stelios Koutsourelakis and Hans-Joachim Bungartz},
journal= {arXiv preprint arXiv:2311.15137},
year = {2023}
}