安全关键系统优化的安全自适应决策：ARTEO 算法
机器学习
2023-01-31 v2 机器学习
摘要
我们考虑在具有安全约束的环境中不确定性下的决策问题。许多商业和工业应用依赖实时优化来改善关键性能指标。在特征未知的情况下，实时优化变得具有挑战性，特别是由于需要满足安全约束。我们提出了 ARTEO 算法，将多臂老虎机建模为受安全约束的数学规划问题，并在优化目标的同时通过探索来学习未知特征。我们使用高斯过程量化未知特征中的不确定性，并将其作为驱动探索的贡献项纳入成本函数中。我们根据环境的要求自适应地控制该贡献项的大小。我们通过在高斯过程的正则性假设下构建的置信界，以高概率保证了算法的安全性。我们通过两个案例研究展示了我们方法的安全性和效率：电机电流优化和实时竞价问题。我们进一步评估了 ARTEO 相较于基于上置信界算法的安全变体的性能。ARTEO 以准确且安全的决策实现了更小的累积遗憾。
引用
@article{arxiv.2211.05495,
title = {Safe and Adaptive Decision-Making for Optimization of Safety-Critical Systems: The ARTEO Algorithm},
author = {Buse Sibel Korkmaz and Marta Zagórowska and Mehmet Mercangöz},
journal= {arXiv preprint arXiv:2211.05495},
year = {2023}
}