利用代理模型集成量化黑箱优化的不确定性
最优化与控制
2022-08-18 v1
摘要
本工作处于黑箱优化背景中,其中定义问题的函数评估代价高昂且无可用的导数信息。一种久经考验的技术是构建目标与约束的代理模型,以更低的计算成本开展优化。本工作提出了使用代理模型集成时的不同不确定性度量。所得到的代理模型集成与我们的度量之组合表现为随机模型,并允许使用高效的贝叶斯优化工具。该方法被纳入网格自适应直接搜索(MADS)算法的搜索步中以改善搜索空间的探索。计算实验在七个解析问题、两个多学科优化问题和两个仿真问题上开展。结果表明,所提方法相比随机模型以更高精度与更低计算代价求解了昂贵的基于仿真的优化问题。
引用
@article{arxiv.2107.04360,
title = {Quantifying uncertainty with ensembles of surrogates for blackbox optimization},
author = {Charles Audet and Sébastien Le Digabel and Renaud Saltet},
journal= {arXiv preprint arXiv:2107.04360},
year = {2022}
}
备注
36 pages, 11 figures, submitted