.png){kind=icon}
返回
Transfer learning in bayesian optimization for aircraft design
.png){kind=icon}
PRE
AI
DOI：10.1007/s00158-026-04424-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
贝叶斯优化（BO）被广泛应用于处理昂贵的黑箱函数，但在数据稀缺时存在冷启动问题。尽管迁移学习通过利用源数据来加速目标优化提供了解决方案，但现有的约束BO迁移学习方法在处理异构设计变量和复杂约束结构时存在局限性，导致泛化能力差。为解决这些问题，我们提出了一种将一组代理模型集成到约束BO框架中的新方法。具体而言，我们采用偏最小二乘降维算法来管理设计空间的异构性，并使用元数据代理选择方法来处理约束的异构性。该方法在数值基准问题和实际的飞机概念设计优化问题上进行了验证。结果表明，与标准BO相比，该方法在早期优化迭代中显著提高了收敛速度，同时增强了目标和约束代理模型的预测精度。
Keyword:
Bayesian optimization
Gaussian process
Heterogeneous design of experiments
Transfer learning
Ensemble of surrogates
Aircraft design
期刊
IF:
4
论文数:
4.9K
被引数:
1.7W
机构
引用论文
Development of a Multilevel Multidisciplinary-Optimization Capability for an Industrial Environment.png)
AIAA Journal
AIAA JournalIF0
PREAI
分享收藏Ensemble of surrogates in black-box-type engineering optimization: Recent advances and applications黑匣子工程优化中的代理集合: 最新进展和应用
PREAI
分享收藏分享收藏Scalable Gaussian process-based transfer surrogates for hyperparameter optimizationMACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏
Extensions to the design structure matrix for the description of multidisciplinary design, analysis, and optimization processes用于描述多学科设计，分析和优化过程的设计结构矩阵的扩展
PREAI
分享收藏
查看更多内容