.png){kind=icon}
返回
A path-aware Bayesian optimization (PABO) framework for cost-efficient sampling site exploration
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116894.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种路径感知的贝叶斯优化（PABO）框架，用于在采样成本和移动成本均显著的场景下实现成本高效的优化。传统贝叶斯优化（BO）方法主要关注减少函数评估次数，而近年来的成本感知和距离感知方法仅分别考虑采样成本或移动成本。然而，这些方法未在统一框架下明确处理采样努力与移动努力之间的权衡。为克服此局限，本研究提出了一种统一成本公式，以联合考虑采样和移动成本。基于该公式，所提框架整合了自适应方向采样区域（ADSR）和路径感知采集函数。ADSR通过根据几何距离和模型不确定性自适应地限制搜索空间，促进空间一致性的探索；而采集函数则平衡预期改进和运营成本，以提高整体探索效率。通过基准问题、敏感性分析和参数研究在不同成本配置下的验证，结果表明PABO相比传统BO方法可降低总成本。此外，本研究利用地质数据集在海洋地质勘探问题中验证了所提框架的适用性。在这些实际勘探场景中，PABO在总成本、新增样本数量和总移动距离方面均实现了统计显著的改进。结果表明，在统一框架下联合考虑采样成本、移动成本和路径一致性，可提升实际空间优化问题的成本效率。
Keyword:
Bayesian optimization (BO)
Path-aware Bayesian optimization (PABO)
Adaptive directional sampling region (ADSR)
Path-aware acquisition function
Marine geological exploration
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
Integration of Bayesian optimization into hyperparameter tuning of the particle swarm optimization algorithm to enhance neural networks in bearing failure classification.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏
分享收藏
查看更多内容