.png){kind=icon}
返回
New Bayesian optimisation framework for robust multi–objective design: decoupling performance and uncertainty
.png){kind=icon}
OA
AI
DOI：10.1016/j.ress.2026.112359.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
鲁棒优化由于不确定性下对鲁棒性的日益重视，在工程设计中愈发关键。然而，现有方法通常忽略对性能稳定性的显式控制，尤其是在目标函数方差方面。为解决此局限性，本研究引入了一种方差约束鲁棒贝叶斯优化（Variance–constrained Robust Bayesian Optimisation）框架，以高效执行考虑输入不确定性的多目标优化。采用鲁棒高斯过程（robust Gaussian process）量化输入不确定性，通过提供目标函数的期望值及其关联不确定性来实现。随后，利用方差惩罚标量化方法（variance–penalised scalarisation）整合这两方面，借助用户定义的参数灵活平衡平均性能与变异性，从而适应不同级别的稳定性容差。在优化过程中，该标量化方法引导采集函数（acquisition function）向符合所需稳定性偏好的区域；在报告阶段，使用代理模型估计（surrogate estimates）剔除违反不确定性阈值的方案，并基于剩余的稳定性可行点（stability–feasible points）计算帕累托集（Pareto set）。其创新性在于实现灵活、情境依赖的设计选择，同时保留贝叶斯优化（Bayesian Optimisation）的数据效率优势。该框架已在一系列合成基准问题（包括高维6D案例）上进行了全面测试，验证了其在处理不同不确定性容差方面的有效性，并为其在现实应用中的巨大潜力提供了有力支持。
Keyword:
Uncertainty tolerance
Multi–objective optimisation
Robust optimisation
Stability–feasible Pareto fronts
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
R
IF:
11
论文数:
864
被引数:
0
机构
引用论文
Predictive Entropy Search for Multi-objective Bayesian Optimization with Constraints.png)
NEUROCOMPUTINGOAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Time-variant reliability-based robust optimization for structures with material degradation基于时变可靠性的材料退化结构鲁棒优化
PREAI
分享收藏A robust multi-objective Bayesian optimization framework considering input uncertainty考虑输入不确定性的鲁棒多目标贝叶斯优化框架
OAAI
OAAI分享收藏分享收藏Bayesian Optimized Deep Ensemble for Uncertainty Quantification of Deep Neural Networks: a System Safety Case Study on Sodium Fast Reactor Thermal Stratification Modeling贝叶斯优化深度集成用于深度神经网络的不确定性量化：钠冷快堆热分层建模的系统安全案例研究OAAI
OAAI分享收藏A Review on Constraint Handling Techniques for Population-based Algorithms: from single-objective to multi-objective optimization基于种群算法的约束处理技术综述: 从单目标到多目标优化OAAI
OAAI分享收藏Impact of production tolerances on turbine performance: A CFD based Monte-Carlo simulations studyOAAI
OAAI分享收藏
查看更多内容