面向带约束多目标贝叶斯优化的不确定性感知搜索框架
机器学习
2020-09-02 v2 机器学习
摘要
我们考虑使用昂贵函数评估的带约束多目标（MO）黑箱优化问题，其目标是在最小化函数评估次数的同时逼近满足一组约束的真实 Pareto 解集。我们提出了一种名为不确定性感知多目标带约束优化搜索框架（USeMOC）的新框架，以高效选择评估输入序列来解决该问题。USeMOC 的选择方法包括通过真实函数的代理模型求解一个廉价的带约束 MO 优化问题以识别最有希望的候选者，并基于不确定性度量挑选最佳候选者。我们将该框架应用于通过昂贵仿真优化多输出开关电容电压调节器的设计。实验结果表明，USeMOC 能够将揭示优化电路所需的仿真次数减少 90% 以上。
引用
@article{arxiv.2008.07029,
title = {Uncertainty aware Search Framework for Multi-Objective Bayesian Optimization with Constraints},
author = {Syrine Belakaria and Aryan Deshwal and Janardhan Rao Doppa},
journal= {arXiv preprint arXiv:2008.07029},
year = {2020}
}
备注
9 pages, 2 figures, 1 table