面向隐藏约束的系统架构代理优化
机器学习
2025-04-14 v1 最优化与控制
机器学习
摘要
探索新型架构需要依赖基于物理的仿真，因为缺乏先前经验可供初始化，这为优化算法带来两个具体挑战：评估成本更高（时间成本）且可能失败。前一挑战由代理基优化（SBO）算法解决，特别是使用高斯过程（GP）模型的贝叶斯优化。本文概述了如何应对特定于架构优化的挑战，如设计变量层次结构和多目标问题：具体措施包括集合填充和分层抽样算法。评估可能因底层求解器不收敛或设计空间中几何不可行而失败。此类失败的评估也称为隐藏约束，对SBO/BO算法构成特定挑战，因为代理模型无法在空结果上进行训练。本文研究了满足贝叶斯优化算法中隐藏约束的各种策略。识别出三种高层次策略：从训练集中拒绝失败的点、基于可行（非失败）点替换失败的点、以及预测失败区域。通过在包括喷气发动机架构优化问题在内的若干测试问题上的 investigation 表明，最佳性能可通过用于预测可行性概率（PoV）的混合离散GP实现，而通过确保选定的填充点满足最低PoV阈值。该策略通过解决一个在50%失败率下且此前无法由贝叶斯优化算法解决的喷气发动机架构问题来演示。开发的贝叶斯优化算法和所用测试问题均可在开源Python库SBArchOpt中获取。
引用
@article{arxiv.2504.08721,
title = {Surrogate-based optimization of system architectures subject to hidden constraints},
author = {Jasper Bussemaker and Paul Saves and Nathalie Bartoli and Thierry Lefebvre and Björn Nagel},
journal= {arXiv preprint arXiv:2504.08721},
year = {2025}
}