基于滑动窗口的FMQA二次优化退火提升因子分解机

黑箱（BB）优化问题旨在识别能够最大化或最小化函数输出的输入（即BB函数的输入输出关系未知）。因子分解机（FM）结合二次优化退火（FMQA）是一种解决此类问题的有前景的方法，采用FM作为代理模型，通过伊辛机迭代引导解的搜索。尽管FMQA在各种应用中表现出强大的优化性能，但随着优化迭代次数的增加，其性能常常停滞。一个Contributing因素是用于训练FM的数据点数量不断增加。随着数据的累积，新添加数据点的贡献会在整个数据集中被稀释。基于此观察，我们假设这种稀释会减少新数据对提高FM预测准确率的影响。为此，我们提出一种新方法，即结合FMQA的滑动窗口迭代因子训练（SWIFT-FMQA）。该方法通过滑动窗口策略顺序构建数据集，保留最多指定数量的最近添加的数据点。SWIFT-FMQA旨在增强新添加数据点对代理模型的影响。数值实验表明，SWIFT-FMQA在较少的BB函数评估次数下获得更低成本的解决方案。