Expensive Multi-Objective Bayesian Optimization Based on Diffusion Models

多目标贝叶斯优化（MOBO）已经在各种昂贵的多目标优化问题（EMOPs）中展现出了良好的性能。然而，有效地对帕累托最优解的复杂分布进行建模是困难的，尤其是在函数评估有限的情况下。现有的帕累托集学习算法在这种昂贵的情况下可能表现出相当大的不稳定性，导致获得的解集与帕累托集（PS）之间存在显著偏差。在本文中，我们提出了一种新的基于复合扩散模型的帕累托集学习算法，称为CDM-PSL，用于昂贵的MOBO。CDM-PSL包括无条件和条件扩散模型，用于生成高质量的样本。此外，我们引入了一种基于信息熵的加权方法来平衡EMOPs的不同目标。该方法与指导策略相结合，确保在优化过程中所有目标都得到适当的平衡和充分考虑。在合成基准测试和实际问题上进行的大量实验结果表明，我们提出的算法相比各种最先进的MOBO算法具有更好的性能。

提出一种新的复合扩散模型（CDM）算法，解决昂贵多目标优化问题中 Pareto 集的学习不稳定的问题。

CDM-PSL 算法结合无条件和条件扩散模型生成高质量的样本，并引入信息熵权重方法平衡不同目标，确保在优化过程中所有目标都得到适当平衡和考虑。

实验结果表明，CDM-PSL 算法在合成基准和实际问题上均优于各种最先进的 MOBO 算法。

最近的相关研究包括“Bayesian optimization for multi-objective optimization: An overview”、“Multi-objective Bayesian optimization using a Gaussian process with mixed kernels”等。