srMO-BO-3GP：一种用于设计应用的序贯正则化多目标约束贝叶斯优化方法
机器学习
2021-09-01 v3 机器学习
神经与进化计算
摘要
贝叶斯优化(BO)是一种高效且灵活的全局优化框架，适用于非常广泛的工程应用。为利用经典 BO 的能力，许多扩展被提出以改进经典 BO 框架的局限性，包括多目标、多保真度、并行化、潜变量模型等。在这项工作中，我们提出了一种新颖的多目标(MO)扩展，称为 srMO-BO-3GP，用于在序贯设置中求解 MO 优化问题。三个不同的高斯过程(GP)被堆叠在一起，其中每个 GP 被分配不同的任务：第一个 GP 用于逼近单目标函数，第二个 GP 用于学习未知约束，第三个 GP 用于学习不确定的帕累托前沿。在每次迭代中，采用将 MO 转换为单目标的 MO 增广切比雪夫函数，并通过正则化岭项进行扩展，其中引入正则化以平滑单目标函数。最后，我们将第三个 GP 与经典 BO 框架相结合，通过利用与探索采集函数提升帕累托前沿的丰富性和多样性。所提出的框架使用多个数值基准函数以及用于倒装芯片封装设计优化的热机械有限元模型进行了验证。
引用
@article{arxiv.2007.03502,
title = {srMO-BO-3GP: A sequential regularized multi-objective constrained Bayesian optimization for design applications},
author = {Anh Tran and Mike Eldred and Scott McCann and Yan Wang},
journal= {arXiv preprint arXiv:2007.03502},
year = {2021}
}