.png){kind=icon}
返回
Machine learning-powered feasible path framework with adaptive sampling for black-box optimization
.png){kind=icon}
PRE
AI
DOI：10.1002/aic.70239.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
黑箱优化（BBO）涉及未知、不精确和/或计算成本高的函数。现有BBO算法面临若干挑战，包括因大量评估导致的高计算成本、处理复杂约束的困难、缺乏理论收敛保证以及/或因解质量波动大而导致的稳定性问题。本研究提出了一种基于机器学习的可行路径优化框架（MLFP），适用于包含复杂约束的一般BBO问题。首先提出一种自适应采样策略，用于探索最优区域并预过滤潜在的不可行点以减少评估次数。利用机器学习算法开发黑箱代理模型。采用可行路径算法，通过更新部分独立变量而非全部变量来加速理论收敛。计算研究表明，MLFP能够快速且稳健地收敛至KKT点，即使使用小型数据集训练代理模型。与当前最先进的BBO算法相比，MLFP在基准算例中以更少的评估次数稳定获得相同或更优的解，表现更优。
Keyword:
adaptive sampling
black-box optimization
machine learning
surrogate model, feasible path algorithm
期刊
IF:
4
论文数:
1.1W
被引数:
2.9W
机构
引用论文
.png){kind=icon}
分享收藏Mechanical performance of polymer systems: The relation between structure and properties聚合物体系的力学性能: 结构与性能的关系
PREAI
分享收藏
分享收藏
查看更多内容