.png){kind=icon}
返回
ARCO-BO: Adaptive Resource-Aware COllaborative Bayesian Optimization for Heterogeneous Multi-Agent Design Optimization
.png){kind=icon}
PRE
AI
DOI：10.1115/1.4071073.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在科学发现和工程设计优化中的许多实际优化问题涉及多个设计评估来源，如模拟器、实验或制造站点，它们独立运行并评估同一底层目标（感兴趣量）的不同函数。在本工作中，我们将这些设计评估来源称为代理。这些代理通常在目标函数映射、评估预算和可访问优化变量方面存在差异，这增加了协调和信息共享的复杂性。贝叶斯优化（BO）是用于昂贵黑箱优化的一种广泛使用的框架，但其标准的单代理形式假设集中控制和数据完全共享。最近的协作BO方法放宽了这些假设，但仍依赖均匀资源、完全共享的输入空间和高度对齐的任务，而这些要求在实际应用中很少得到满足。为解决这些局限性，我们引入了自适应资源感知协作贝叶斯优化（ARCO-BO），一种明确考虑多代理优化异质性的框架。ARCO-BO整合了三个关键组件：用于自适应信息共享的相似性和最优位置感知的共识机制、用于资源协调的预算感知异步采样策略，以及用于异质优化变量的部分输入空间共享方案。在合成基准测试和高维工程优化问题上的实验表明，ARCO-BO在复杂的异质多代理优化设置中始终优于独立的BO和现有的基于共识的协作BO，实现了稳健高效的性能。
Keyword:
Bayesian optimization
collaborative optimization
resource-aware optimization
multi-agent systems
task similarity
