Pareto Front-Diverse Batch Multi-Objective Bayesian Optimization

2024年06月13日
  • 简介
    本文考虑了昂贵黑盒函数的多目标优化问题,旨在发现高质量和多样化的Pareto前沿,同时允许我们评估一批输入。这个问题在许多现实世界的应用中都存在,包括青霉素生产,其中解决方案的多样性至关重要。我们在贝叶斯优化(BO)框架下解决了这个问题,并提出了一种新方法,称为Pareto前沿多样化批多目标BO(PDBO)。PDBO解决了两个重要的挑战:1)如何在每个BO迭代中自动选择最佳采集函数,2)如何通过考虑多个目标来选择多样化的输入批次。我们提出了原则性的解决方案来解决这两个挑战。首先,PDBO采用多臂赌博机方法从给定的库中选择一个采集函数。我们通过为每个昂贵的目标函数分配所选采集函数来解决一个廉价的多目标优化问题,以获得待评估的输入候选集。其次,它利用确定性点过程(DPP)从第一步获得的候选集中选择一个Pareto前沿多样化的输入批次进行评估。这两个步骤背后的方法的关键参数在每轮函数评估后更新。在多个MOO基准测试上的实验证明,PDBO在Pareto解的质量和多样性方面优于先前的方法。
  • 图表
  • 解决问题
    本文旨在解决多目标优化(MOO)中的高质量和多样化帕累托前沿发现问题,该问题涉及到评估一批输入的黑盒函数优化。作者提出了一种基于贝叶斯优化(BO)的解决方案,称为Pareto front-Diverse Batch Multi-Objective BO(PDBO),旨在解决两个重要的挑战:如何自动选择每个BO迭代中的最佳收购函数和如何通过考虑多个目标选择多样化的输入批次。
  • 关键思路
    PDBO采用多臂老虎机方法从给定的库中选择一个收购函数,并为每个昂贵的目标函数分配所选的收购函数来解决一个便宜的MOO问题,以获得待评估的输入的候选集。然后,它利用确定性点过程(DPP)从第一步中获得的候选集中选择一个帕累托前沿多样化的输入批次进行评估。这两个步骤背后的方法的关键参数在每轮函数评估后进行更新。
  • 其它亮点
    本文提出的PDBO方法在多个MOO基准测试中的实验表明,它在帕累托解的质量和多样性方面优于现有方法。实验使用了多个数据集,并且作者已经公开了他们的代码,这为后续研究提供了便利。
  • 相关研究
    在这个领域中,最近的相关研究包括:1)MOO问题中的基于进化的算法;2)基于元模型的贝叶斯优化方法;3)基于多目标进化算法的贝叶斯优化方法。
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论