非凸优化的采样定界法

非凸函数全局优化的标准方法，如分支定界法，维护划分树以系统地剪枝定义域。树的规模随维度数呈指数增长。我们提出了新的基于采样的非凸优化方法，该方法采用蒙特卡洛树搜索（MCTS）以提高效率。我们不再使用置信上界中的标准访问计数，而是利用目标函数的数值过近似作为不确定性度量，并同时考虑一阶和二阶信息的采样估计。我们方法中的蒙特卡洛树避免了生长树时通常的固定组合模式，并积极地聚焦于有前景的区域，同时仍能平衡探索与利用。我们在高维非凸优化基准上针对竞争基线评估了所提出的算法，并分析了超参数的影响。