基于模拟退火的批量获取函数候选优化
机器学习
2026-01-13 v1 材料科学
机器学习
摘要
贝叶斯优化中使用多目标获取函数（如 q-期望超体积改进，qEHVI）需要高效的候选优化来最大化获取函数值。传统方法依赖于如顺序最小二乘规划 (SLSQP) 等连续优化方法进行候选选择。然而，这些基于梯度的方法在复杂或高维目标景观中容易陷入局部最优。本文提出了一种基于模拟退火的方法，用于批量获取函数的候选优化，以替代传统连续优化方法。我们在四个基准多目标优化问题上评估了模拟退火方法：ZDT1（30维，2目标）、DTLZ2（7维，3目标）、Kursawe（3维，2目标）和 Latent-Aware（4维，2目标）。我们的结果表明，在大多数测试函数中，模拟退火在超体积性能方面 consistently 优于 SLSQP。特别是对于 DTLZ2 和 Latent-Aware 问题，模拟退火达到显著更高的超体积值，并保持更好的收敛特征。直方图分析进一步揭示了模拟退火探索帕累托前沿中更多样化和更优区域的能力。这些发现表明，诸如模拟退火等元启发式优化方法可以为多目标贝叶斯优化提供更稳健、更有效的候选优化方案，为批量获取函数优化提供了具有前景的替代方案。
引用
@article{arxiv.2601.07258,
title = {Simulated Annealing-based Candidate Optimization for Batch Acquisition Functions},
author = {Sk Md Ahnaf Akif Alvi and Raymundo Arróyave and Douglas Allaire},
journal= {arXiv preprint arXiv:2601.07258},
year = {2026}
}