SMGO-$\Delta$：黑盒约束全局优化中谨慎与收益的权衡
最优化与控制
2022-02-24 v1
摘要
在所有科学与工程领域的众多应用中，存在这样一类优化问题：其目标函数与约束均无闭式表达或过于复杂而无法解析处理，只能通过实验评估。为解决此类问题，我们设计了一种针对黑盒目标与约束问题的全局优化技术。在代价与约束函数满足 Lipschitz 连续性的假设下，采用集员框架构建优化问题的代理模型，用于开采与探索例程。所得算法命名为带黑盒约束的集员全局优化（SMGO-），具有一个可调风险参数，用户可直观地调整该参数以权衡安全性、开采与探索。我们推导了算法的理论性质，并在若干基准测试中将优化性能与文献中的代表性技术进行比较。最后，在一个涉及带扰动与对象不确定性的伺服机构模型预测控制调优、并满足实际驱动的任务级约束的案例研究中，将其与约束贝叶斯优化进行测试与比较。
引用
@article{arxiv.2202.11445,
title = {SMGO-$\Delta$: Balancing Caution and Reward in Global Optimization with Black-Box Constraints},
author = {Lorenzo Sabug and Fredy Ruiz and Lorenzo Fagiano},
journal= {arXiv preprint arXiv:2202.11445},
year = {2022}
}