Gradient-Boosted Decision Tree Optimizer for Antenna Optimization

Oğuzhan Engin

doi:10.1109/ACCESS.2025.3649195

Gradient-Boosted Decision Tree Optimizer for Antenna Optimization

2026-01-01

0

OA

AI

O

Oğuzhan Engin

M

Mustafa Gökçe Baydoğan

A

Ahmet C. Durgun

DOI：10.1109/ACCESS.2025.3649195

原文链接

查看原文

摘要

En 中文

机器学习辅助优化方法在天线设计中的应用日益增多。尽管神经网络（NNs）和高斯过程回归（GPR）被广泛应用，但它们在高维情况下的扩展性面临若干挑战，例如需要大量数据、广泛的超参数调优以及更长的训练时间。相比之下，梯度提升决策树（GBDTs）在有限训练数据下表现出更优性能，同时训练速度更快且超参数调优更高效。受这些优势启发，我们提出了一种针对高维问题的GBDT辅助优化（GBDTO）算法。该算法从初始样本集开始，构建GBDT模型，并在搜索最优目标值的同时，顺序采样输入参数空间。通过使用Black-Box Optimization Benchmarking测试套件和多个天线设计案例进行对比，GBDTO相较于贝叶斯优化（BO）和神经网络辅助优化（ONN）实现了更快的收敛速度和更优的目标值。在480个12维24函数实例的数值实验中，GBDTO在平均排名计数上相较于BO和ONN分别提升了13%和31%。此外，高维天线设计案例表明，在给定优化目标下，GBDTO的收敛速度比BO和ONN快超过50%，且在固定迭代次数下目标值提升7-54%。除优化效率外，GBDTO还提供固有的高效特征重要性分析，这对用户指导极为有用。

Keyword:

Antenna optimization

tree-based learning

gradient boosting

machine learning

active learning

sequential sampling

Gradient-Boosted Decision Tree Optimizer for Antenna Optimization

摘要

AI总结

期刊

机构

引用论文