在少于500次迭代内解决G类问题：基于代理建模与自适应参数控制的改进高效约束优化
最优化与控制
2016-01-01 v1 神经与进化计算
机器学习
摘要
高维数值问题的约束优化在许多科学和工业应用中起着重要作用。许多工业应用中的函数评估受到严重限制，且无法获得目标函数和约束函数的解析信息。对于此类昂贵的黑盒优化任务，提出了约束优化算法COBRA，其对目标函数和约束函数均利用RBF代理建模。COBRA已显示出在少于500次函数评估内可靠解决复杂基准问题的显著成功。不幸的是，COBRA需要仔细调整参数才能做到这一点。本工作中我们提出一种新的自调整算法SACOBRA，它基于COBRA并能够在极少函数评估和无需参数调优的情况下取得高质量结果。借助一组基准问题（G-problems, MOPTA08）上的性能剖面表明，SACOBRA一致优于任何具有固定参数设置的COBRA算法。我们分析了SACOBRA中若干新元素的重要性，发现SACOBRA的每个元素都在提升整体优化性能中发挥作用。我们讨论了背后的原因，并由此对高质量RBF代理建模有了更好的理解。
引用
@article{arxiv.1512.09251,
title = {Solving the G-problems in less than 500 iterations: Improved efficient constrained optimization by surrogate modeling and adaptive parameter control},
author = {Samineh Bagheri and Wolfgang Konen and Michael Emmerich and Thomas Bäck},
journal= {arXiv preprint arXiv:1512.09251},
year = {2016}
}