×

兹马思-数学第一资源

昂贵优化的预期改进:综述。(英语) Zbl 1465.90104号
摘要:期望改进(EI)算法是解决昂贵优化问题的一种非常流行的方法。在过去的二十年里,EI准则已经被扩展到处理一系列昂贵的优化问题。本文综述了并行优化、多目标优化、约束优化、噪声优化、多保真度优化和高维优化的EI扩展。指出了扩展EI方法解决这些复杂优化问题的主要挑战,并着重介绍了文献中提出的解决这些挑战的思想。对于每种算法,本文对替代建模方法、填充准则的计算和填充准则的内部优化进行了详细的研究和比较。此外,详细分析了多目标EI准则和约束EI准则的单调性。通过本文的回顾,我们对近二十年来电子信息技术的发展进行了有组织的总结,并对电子信息技术的发展有了一个清晰的认识。最后,本文还提出了几个值得关注的问题和未来的研究方向。

理学硕士:
90立方厘米 非线性规划
90C29型 多目标与目标规划
PDF格式 BibTeX公司 XML 引用
全文: 内政部
参考文献:
[1] 胺浓度,M。;巴托利,N。;雷吉斯,RG;奥茨曼,A。;Morlier,J.,高维约束问题的有效全局优化,kriging模型与偏最小二乘法相结合,工程优化,50,12,2038-2053(2018)
[2] Bartoli,N.,Lefebvre,T.,Dubreuil,S.,Olivanti,R.,Bons,N.,Martins,J.R.R.A.,Boulell,M.A.,Morlier,J.:基于混合专家的机翼气动设计优化自适应优化策略。参加:第18届AIAA/ISSMO多学科分析与优化会议。美国航空航天学会(2017)
[3] 巴托利,N。;列斐伏尔。;杜布雷尔,S。;奥利凡蒂,R。;普里姆,R。;邦斯,N。;马丁斯,JRRA;Morlier,J.,约束全局优化的自适应建模策略及其在气动机翼设计中的应用,Aerosp。科学。技术,90,85-102(2019年)
[4] 巴特尔斯泰因。;拉萨尔齐克,CWG;Preuss,M.,顺序参数优化,IEEE Cong.Evolut。计算机,1773-780(2005)
[5] 巴苏达尔,A。;德里布希,C。;拉卡泽S。;Missoum,S.,带支持向量机的约束有效全局优化,结构。多盘。Optim.,46,2201-221(2012年)·Zbl 1274.90271
[6] Bautista,D.C.:用期望的pareto改进函数逼近pareto前沿的序列设计。博士。论文,俄亥俄州立大学(2009)
[七] Beaucaire,P.,Beauthier,C.,Sainvitu,C.:利用多代理模型的多点填充抽样策略。在:遗传和进化计算会议论文集,1559-1567页。ACM(2019年)
[8] 贝克特,J。;巴乔克,F。;Ginsbourger,D.,《基于高斯过程的连续实验设计的超模方法》,Bernoulli,25,4,2883-2919(2019)·Zbl 1428.62369号
[9] 贝克特,J。;金斯堡,D。;李,L。;皮切尼,V。;Vazquez,E.,用于估计失效概率的计算机实验的顺序设计,Stat.Comput.,22,3773-793(2012)·Zbl 1252.62081
[10] Benassi,R.,Bect,J.,Vazquez,E.:基于鲁棒高斯过程的全局优化,使用完全贝叶斯期望改进准则。在:学习和智能优化。计算机科学课堂讲稿,176-190页。斯普林格,柏林(2011)
[11] Bergstra,J.S.,Bardenet,R.,Bengio,Y.,Kégl,B.:超参数优化算法。In:神经信息处理系统,第2546-2554页(2011年)
[12] 伯克,J。;阮,V。;古普塔,S。;拉纳,S。;Venkatesh,S.,《数据库中贝叶斯优化、机器学习和知识发现的探索增强预期改进》,621-637(2019年),查姆:斯普林格,查姆
[13] 比诺伊斯,M。;金斯堡,D。;Roustant,O.,用高斯过程条件模拟量化帕累托前沿的不确定性,欧洲。J、 操作。第243、2386-394号决议(2015年)·Zbl 1346.90730
[14] Binois,M.,Ginsbourger,D.,Roustant,O.:通过随机嵌入提高贝叶斯优化鲁棒性的扭曲核。In:学习与智能优化国际会议,第281-286页(2015)
[15] 比诺伊斯,M。;金斯堡,D。;Roustant,O.,《通过随机嵌入为全局优化选择低维域》,J.global Optim.,76,1,69-90(2020年)·Zbl 1440.90051
[16] 比诺伊斯,M。;Picheny,V.,GPareto:基于高斯过程的多目标优化和分析的R包,J.Stat.Softw.,89,8,30(2019年)
[17] 比什尔。;威斯辛,S。;北卡罗来纳州鲍尔。;弗里德里希,K。;魏斯,C。;帕达洛斯,首相;重新设计,MGC;Vogiatzis,C。;Walteros,JL,MOI-MBO:基于模型的并行优化、学习和智能优化的多目标填充,173-186(2014),柏林:斯普林格,柏林
[18] Bull,AD,高效全局优化算法的收敛速度,J.Mach。学习。第12879-2904号决议(2011年)·Zbl 1280.90094
[19] 蔡,X。;邱,H。;高,L。;杨,P。;邵,X.,基于kriging的全局优化多点抽样方法,结构。多盘。优化,56,1,71-88(2017年)
[20] Chaudhuri,A.,Haftka,R.,Watson,L.:如何决定是否在有效的全局优化中再运行一个周期。在:第12届AIAA航空技术、集成和运营(ATIO)会议(2012年)
[21] Chaudhuri,A.,Haftka,R.T.:使用ego的基于代理优化的停止准则。第十届世界结构优化大会
[22] 骑士,C。;金斯堡,D。;尼科西亚,G。;Pardalos,P.,《批量选择、学习和智能优化应用中多点预期改进的快速计算》,59-69(2013),柏林:斯普林格,柏林
[23] 库库特,我。;Deschrijver,D。;Dhaene,T.,快速计算帕累托优化的多目标改善概率和预期改善标准,J.Global Optim.,60,3575-594(2014)·Zbl 1303.90093
[24] 考克斯,DD;约翰·S。;亚历山德罗夫,N。;Hussaini,M.,SDO:全局优化的统计方法,多学科设计优化:最新技术,315-329(1997),费城:暹罗,费城
[25] 克雷西,N.,空间数据统计(1993),霍博肯:威利,霍博肯
[26] 邓,X。;林,CD;刘,千瓦;Rowe,RK,《具有定性和定量因素的计算机模型的加性高斯过程》,技术计量学,59,3,283-292(2017)
[27] 杜兰丁,C。;马尔扎特,J。;Balesdent,M.,基于多目标kriging的约束全局优化方法分析,计算机。擎天柱。申请书,63,3903-926(2016年)·Zbl 1343.90066
[28] 埃默里奇,M。;比姆,N。;诺约克斯,B。;科埃罗·科埃洛,加利福尼亚州;Hernández Aguirre,A。;Zitzler,E.,以超体积测度作为选择准则的EMO算法,进化多准则优化,62-76(2005),柏林:斯普林格,柏林·Zbl 1109.68595
[29] 埃默里奇,M。;杨,K。;道兹,A。;王,H。;丰塞卡,厘米;帕达洛斯,首相;志格尔贾夫斯基,A。;Žilinskas,J.,贝叶斯全局优化的多准则推广,随机和确定性全局优化的进展,229-242(2016),Cham:Springer,Cham
[30] Emmerich,M.T.,Deutz,A.H.,Klingenberg,J.W.:基于超体积的期望改进:单调性和精确计算。在:IEEE进化计算大会,第2147-2154页(2011年)
[31] 埃默里奇,MTM;吉安纳科格鲁,肯塔基州;Naujoks,B.,高斯随机场元模型辅助的单目标和多目标进化优化,IEEE Trans。进化。计算机,10,4,421-439(2006)
[32] Eriksson,D.,Pearce,M.,Gardner,J.,Turner,R.D.,Poloczek,M.:通过局部贝叶斯优化实现可伸缩的全局优化。In:神经信息处理系统的进展,第5497-5508页(2019年)
[33] 方,KT;李,R。;Sudjianto,A.,计算机实验的设计与建模(2005),伦敦:查普曼和霍尔/CRC,伦敦
[34] 费利奥特。;贝克特,J。;Vazquez,E.,约束单目标和多目标优化的贝叶斯方法,J.Global Optim.,67,1,97-133(2017)·Zbl 1390.90441号
[35] 冯志伟;张,QB;张,QF;唐,QG;杨,T。;Ma,Y.,一个基于多目标优化的框架来平衡昂贵优化中的全局勘探和局部开采,J.global Optim.,61,4677-694(2015)·Zbl 1323.90045
[36] 福雷斯特,AIJ;基恩,AJ,基于代理优化的最新进展。Aerosp公司。科学,45,1,50-79(2009)
[37] 福雷斯特,AIJ;基恩,AJ;Bressloff,NW,“噪声”计算机实验的设计与分析,AIAA J.,44,102331(2006)
[38] 福雷斯特,AIJ;Sóbester,A。;Keane,AJ,通过代理建模实现多保真度优化,Proc。R、 Soc。A、 46320883251-3269(2007年)·11490ZB114489升
[39] 福雷斯特,AIJ;Sóbester,A。;基恩,AJ,《通过替代模型进行工程设计:实用指南》(2008年),霍博肯:威利,霍博肯
[40] 弗兰尼,M。;兰扬,P。;Chipman,H.,最大化期望改进函数的分枝定界算法,J.Stat.Plan。推论,141,1,42-55(2011)·Zbl 1197.62117
[41] 弗雷泽,P。;W.鲍威尔。;Dayanik,S.,《相关正常信念的知识梯度策略》,通知J.Comput.,21,4599-613(2009)·Zbl 1243.91014号
[42] 弗雷泽,P.I.:关于贝叶斯优化的教程。arXiv(2018年)。arXiv:1807.02811
[43] 弗雷泽,圆周率;鲍威尔,WB;Dayanik,S.,顺序信息收集的知识梯度策略,暹罗J.控制优化,47,5,2410-2439(2008)·Zbl 1274.62155
[44] Gardner,J.R.,Kusner,M.J.,Xu,Z.E.,Weinberger,K.Q.,Cunningham,J.P.:带不等式约束的贝叶斯优化。In:第31届机器学习国际会议论文集,第937-945页(2014)
[45] Garnett,R.,Osborne,M.A.,Hennig,P.:高斯过程线性嵌入的主动学习。In:《第30届人工智能不确定性会议论文集》,第230-239页(2014年)
[46] Gelbart,M.A.,Snoek,J.,Adams,R.P.:带未知约束的贝叶斯优化。In:《第30届人工智能不确定性会议论文集》,第250-259页(2014年)
[47] 金斯堡,D。;巴库,J。;骑士,C。;佩雷斯,F。;加兰,N。;Monerie,Y.,轮廓优化和优化的贝叶斯自适应重建,SIAM/ASA J.不确定性。数量,2490-510(2014)·Zbl 1308.62157
[48] 金斯堡,D。;赫尔伯特,C。;Carraro,L.,《基于kriging优化的离散混合核》,Qual。雷亚布。国际工程杂志,24,6,681-691(2008)
[49] 金斯堡,D。;勒里奇,R。;卡拉罗,L。;坦恩,Y。;高,CK,Kriging非常适合并行优化,昂贵优化问题中的计算智能,自适应学习和优化,第6章,131-162(2010),柏林:斯普林格,柏林
[50] 金斯堡,D。;罗斯波夫,B。;皮罗,G。;北卡罗来纳州杜兰德。;Renard,P.,《基于距离的kriging依赖于代理模拟的反调节》,Adv.Water Resources.,52275-291(2013)
[51] Gneting,T.,紧支撑相关函数,J.Multiva。《分析》,83、2493-508(2002年)·600ZB15.1升
[52] Gonzalez,J.,Dai,Z.,Hennig,P.,Lawrence,N.:基于局部惩罚的批量贝叶斯优化。国际人工智能与统计会议,第648-657页(2016年)
[53] Gramacy,理学士;格雷,佐治亚州;勒迪加贝尔,S。;李,香港;兰扬,P。;威尔斯,G。;Wild,SM,《blackbox约束优化的增广拉格朗日建模》,Technometrics,58,1,1-11(2016)
[54] 格罗布尔,C。;角,S。;威尔克,DN;舒马赫,A。;维托,T。;菲比格,S。;布鲁辛格,加州;Maute,K.,高效全局优化的简单直观多目标并行化:Simple-EGO,《结构和多学科优化的进展:第12届结构和多学科优化世界大会论文集》,205-220(2018),Cham:Springer,Cham
[55] 郭特曼,HM,径向基函数法在全局优化中的应用,J.全局优化,19,3,201-227(2001)·Zbl 0972.90055
[56] 哈夫特卡,RT;维拉纽瓦,D。;一个昂贵的代理结构的全局优化。多盘。Optim.,54,1,3-13(2016年)
[57] 哈姆扎,K。;Shalaby,M.,并行高效全局优化框架及其在车辆耐撞性优化中的应用,工程优化,46,9,1200-1221(2014)
[58] 汉、中;Görtz,S.,变保真度代理建模的层次克里格模型,AIAA J.,50,9,1885-1896(2012)
[59] 他,X。;图右。;吴CFJ,利用eqie准则优化多保真度计算机实验,技术计量学,59,1,58-68(2017)
[60] 亨肯约翰,N。;Kunert,J.,一种基于多元期望改善准则的有效序贯优化方法。英国,19,4267-280(2007年)
[61] Hernández Lobato,J.M.,Hoffman,M.W.,Ghahramani,Z.:黑盒函数有效全局优化的预测熵搜索。In:神经信息处理系统,第918-926页(2014)
[62] Holmström,K.,一种用于昂贵的黑盒全局优化的自适应径向基算法(ARBF),J.global Optim.,41,3,447-464(2008)·Zbl 1152.90609
[63] 霍恩,D。;瓦格纳,T。;比尔曼,D。;魏斯,C。;比什尔,B。;加斯帕库尼亚,A。;亨格勒·安图内斯,C。;Coello,CC,《基于模型的多目标优化:分类学,多点建议,工具箱和基准,进化多准则优化》,64-78(2015),柏林:斯普林格,柏林
[64] 霍洛维茨,B。;吉马拉斯,LJD;丹塔斯,V。;阿方索,SMB,应用于聚合物注入策略的并行高效全局优化算法,J.Petrol。科学。英国,71,3-4,195-204(2010)
〔65〕 胡,W。;Li,G.,基于最小中值-最大元模型的无约束非线性优化问题,结构。多盘。Optim.,45,3,401-415(2012年)·兹布1274.90283
[66] 黄,C。;李,Y。;Yao,X.,元启发式自动参数调整方法综述,IEEE Trans。进化。计算机,24,2201-216(2020年)
[67] 黄博士。;艾伦,TT;威斯康星州诺茨;Miller,RA,使用多重保真度评估的序贯克里格优化,结构。多盘。Optim.,32,5,369-382(2006年)
[68] 黄博士。;艾伦,TT;威斯康星州诺茨;Zeng,N.,随机黑盒系统的全局优化,J.全局优化,34,3,441-466(2006)·Zbl 1098.90097
〔69〕 哈普肯斯,I。;道兹,A。;杨克。;埃默里奇,M。;加斯帕库尼亚,A。;亨格勒·安图内斯,C。;Coello,CC,《计算预期超体积改进的更快精确算法》,进化多准则优化,65-79(2015),柏林:斯普林格,柏林
[70] Hutter,F.,Hoos,H.H.,Leyton Brown,K.:基于序列模型的通用算法配置优化。在:学习和智能优化。计算机科学课堂讲稿,507-523页。斯普林格,柏林(2011)
[71] Hutter,F.,Hoos,H.H.,Leyton Brown,K.,Murphy,K.:时间有界序列参数优化。在:学习和智能优化。计算机科学课堂讲稿,第281-298页。斯普林格,柏林(2010)
[72] Hutter,F.,Hoos,H.H.,Leyton Brown,K.,Murphy,K.P.:基于模型的参数优化的实验研究:SPO和beyond。第11届遗传和进化计算年会,第271-278页(2009年)
[73] 贾拉利,H。;Van Nieuwenhuyse,本人。;Picheny,V.,基于kriging算法的非均匀噪声仿真优化比较,欧洲。J、 操作。第261、1279-301号决议(2017年)·Zbl 1403.90553
[74] Janusevskis,J。;勒里奇,R。;布尔金斯格尔。;吉尔齐乌萨,R。;哈马迪,Y。;Schoenauer,M.,昂贵函数的异步并行全局优化的预期改进:潜力与挑战,学习与智能优化,413-418(2012),柏林:斯普林格,柏林
[75] 杰,HX;吴,YZ;丁建伟,基于元模型的黑盒型问题全局优化算法,工程优化,47,11,1459-1480(2015)
[76] Jones博士,《基于响应曲面的全局优化方法分类》,J.global Optim.,21,4,345-383(2001)·Zbl 1172.90492
[77] 琼斯博士;肖洛,M。;韦尔奇,WJ,昂贵黑盒函数的有效全局优化,J.全局优化,13,4,455-492(1998)·Zbl 0917.90270
[78] Kanazaki,M.,Tanaka,K.,Jeong,S.,Yamamoto,K.:基于Kriging模型的高升力翼型元件设置的多目标气动优化。第44届AIAA航空航天科学会议,第23卷,第17627-17637页。美国航空航天学会(2006)
[79] Keane,AJ,《用于多目标设计优化的统计改进标准》,AIAA J.,44,4879-891(2006)
[80] 肯尼迪,马萨诸塞州;O'Hagan,A.,当有快速近似值时预测复杂计算机代码的输出,Biometrika,87,1,1-13(2000)·Zbl 0974.62024
[81] Kleijnen,JPC,模拟中的Kriging元建模:综述,欧元。J、 操作。第192、3707-716号决议(2009年)·Zbl 1157.90544号
[82] Kleijnen,JPC;范比尔斯,W。;van Nieuwenhuyse,I.,通过引导kriging在有效全局优化中的预期改进,J.global Optim.,54,1,59-73(2012)·Zbl 1254.90176
[83] Knowles,J.,ParEGO:昂贵多目标优化问题的在线横向近似混合算法,IEEE Trans。进化。计算机,10,1,50-66(2006)
[84] 科赫,P。;瓦格纳,T。;埃默里奇,MTM;后退,T。;高噪声机器学习问题的有效多准则优化,应用。软计算,29357-370(2015)
[85] Koullias,S.,Mavris,D.N.:计算昂贵的设计问题的全局优化方法。J、 机械。Des公司。第136卷第8卷(2014年)
[86] Krityakierne,T.,Ginsbourger,D.:稀疏和局部高斯过程模型的全局优化。In:机器学习、优化和大数据国际研讨会,第185-196页(2015年)
[87] Łaniewski Wołłk,L.,Obayashi,S.,Jeong,S.:多目标问题的预期改进发展。In:第42届流体力学会议/航空航天数值模拟研讨会论文集(2010)
[88] 李瑞,SJ;巴斯卡,A。;《基于知识的多理想优化响应面建模方法》,J.Global Optim.,26,3,297-319(2003)·Zbl 1116.90411号
[89] Li,C.,Gupta,S.,Rana,S.,Nguyen,T.V.,Venkatesh,S.,Shilton,A.:使用丢失的高维贝叶斯优化。In:《第26届人工智能国际联席会议论文集》,第2096-2102页(2017年)
[90] 李,Z。;阮,S。;顾杰。;王,X。;沈,C.基于多点填充准则和区域分解的高效全局优化并行算法研究,结构。多盘。Optim.,54,4747-773(2016年)
[91] 李,Z。;王,X,塑料注射成型浇口位置优化的黑盒方法,高级塑料。技术,32,S1,E793-E808(2013)
[92] 李,Z。;王,X。;阮,S。;李,Z。;沈,C。;Zeng,Y.,一种基于超体积的多目标有效全局优化方法的改进,结构。多盘。Optim.,58,5,1961-1979(2018年)
[93] 刘杰。;歌曲,WP;汉、中;Zhang,Y.,使用平行填充策略和替代模型对跨音速机翼的有效气动外形优化,结构。多盘。Optim.,55,3925-943(2017年)
[94] 刘,Y。;陈,S。;王,F。;Xiong,F.,基于多级协克里格和扩展期望改进准则的序贯优化,结构。多盘。Optim.,58,3,1155-1173(2018年)
[95] Lizotte,D.,Wang,T.,Bowling,M.,Schuurmans,D.:高斯过程回归的自动步态优化。In:《第20届人工智能国际联席会议论文集》,第944-949页(2007年)
[96] Luo,C.,Shimoyama,K.,Obayashi,S.:基于Kriging模型的多目标优化,有效计算预期超容积改善。在:IEEE进化计算大会,1187-1194页(2014)
[97] Lyu,W.,Yang,F.,Yan,C.,Zhou,D.,Zeng,X.:自动模拟电路设计中基于多目标采集集成的批量贝叶斯优化。In:国际机器学习会议,第3312-3320页(2018年)
[98] 马尔明,S。;骑士,C。;金斯堡,D。;帕达洛斯,P。;帕沃内,M。;Farinela,总经理;Cutello,V.,区分优化批次设计、机器学习、优化和大数据的多点预期改进,37-48(2015),柏林:斯普林格,柏林
[99] 马丁内斯·弗鲁托斯,J。;Herrero-Pérez,D.,基于Kriging的多目标优化约束处理填充抽样准则,J.Global Optim.,64,1,97-115(2016)·Zbl 1339.90306
[100] 马尔扎特,J。;沃尔特,E。;Piet Lahanier,H.,《连续极小极大优化的新预期改进算法》,J.Global Optim.,64,4,785-802(2016)·Zbl 1345.90105
[101] 莫库斯,J。;铁西斯,V。;齐林斯卡斯,A。;狄克逊,LCW;斯泽戈,GP,《贝叶斯方法在求极值中的应用,走向全局优化》,117-129(1978),阿姆斯特丹:北荷兰,阿姆斯特丹
[102] Müller,J。;肖梅克,CA,集成代理模型和抽样策略对计算代价高昂的黑箱全局优化问题算法求解质量的影响,J.global Optim.,60,2,123-144(2014)·Zbl 1312.90064
[103] 南村,北。;日本鸠山市。;Obayashi,S.,昂贵多目标优化中基于惩罚的边界交集的期望改进,IEEE Trans。进化。计算机,21,6898-913(2017)
[104] Nayebi,A.,Munteanu,A.,Poloczek,M.:嵌入式子空间中贝叶斯优化的框架。In:国际机器学习会议,第4752-4761页(2019年)
[105] Oh,C.,Gavves,E.,Welling,M.:Bock:圆柱核贝叶斯优化。In:机器学习国际会议,第3868-3877页(2018年)
[106] 帕克,C。;哈夫特卡,RT;金,新罕布什尔州,关于多保真度代理的评论,结构。多盘。优化,55,31029-1050(2017年)
[107号] Parr,J.:约束处理和多目标优化的改进准则。博士。论文,南安普顿大学(2013)
[108] Parr,J.,Holden,C.M.,Forrester,A.I.,Keane,A.J.:带约束处理的有效替代填充抽样标准综述。第二届国际工程优化会议(2010)
[109号] 帕尔,吉咪;基恩,AJ;福雷斯特,AIJ;Holden,CME,《基于代理的优化约束处理的填充抽样准则》,工程优化,44,10,1147-1166(2012)
[110] 佩拉马蒂。;布雷瓦特,L。;巴莱斯登,M。;塔尔比,例如;Guerin,Y.,约束混合变量问题的有效全局优化,J.global Optim.,73,3,583-613(2019年)·Zbl 1420.90051
[111] 佩迪卡里斯,P。;Karniadakis,GE,通过多保真度贝叶斯优化进行模型反演:血流动力学参数估计的新范式,J.R.Soc。接口,1311820151107(2016)
[112] 皮切尼,V。;金斯堡,D。;里希特,Y。;Caplin,G.,基于分位数的可调精度计算机实验优化,技术计量学,55,1,2-13(2013)
[113] 皮切尼,V。;瓦格纳,T。;Ginsbourger,D.,基于kriging的噪声优化填充标准基准,Struct。多盘。Optim.,48,3607-626(2013年)
[114] 庞维泽W。;瓦格纳,T。;比尔曼,D。;文斯,M。;鲁道夫。;詹森,T。;比姆,N。;卢卡斯,S。;Poloni,C.,使用模型辅助s-度量选择对有限预算评估的多目标优化,来自自然PPSN X的并行问题解决,784-794(2008),柏林:斯普林格,柏林
[115] Qian,H.,Hu,Y.Q.,Yu,Y.:基于序列随机嵌入的高维非凸函数的无导数优化。第二十五届国际人工智能联席会议记录,1946-1952页。AAI出版社(2016)
[116] 钱,PZG;吴CFJ,集成低精度和高精度实验的贝叶斯分层建模,技术计量学,50,2192-204(2008)
[117] 钱,PZG;总部,Wu;吴忠杰,计算机实验中的高斯过程模型,技术计量学,50,3,383-396(2008)
[118] Qin,C.,Klabjan,D.,Russo,D.:改进预期改进算法。In:神经信息处理系统,第5381-5391页(2017年)
[119] 内华达州奎伊波;哈夫特卡,RT;什伊,W。;戈尔,T。;维迪亚纳坦,R。;Kevin Tucker,P.,《基于代理的分析与优化》,Prog。Aerosp公司。科学,41,1,1-28(2005)
[120] 拉斯穆森,CE;Williams,CK,Gaussian Processes for Machine Learning(2006),剑桥:麻省理工学院出版社,剑桥
〔121〕 Regis,RG,《基于kriging的优化中的信赖域与预期改进》,工程优化,48,1-23(2015)
[122号] 雷吉斯,RG;《使用径向基函数对昂贵黑盒函数的约束全局优化》,J.global Optim.,31,1153-171(2005)·Zbl 1274.90511号
[123号] Reisenthel,P.H.,Allen,T.T.:多理想期望改进算法在气动弹性设计优化中的应用。参加:第十届AIAA多学科设计优化会议(2014)
[124] 里兹霍夫,IO,关于期望改进方法的收敛速度,Oper。第64、6、1515-1528号决议(2016年)·Zbl 1359.62519号
[125] 萨克斯,J。;威斯康星州韦尔奇;米切尔,TJ;韦恩,惠普,计算机实验设计与分析,统计科学,4,4,409-423(1989)
[126] 桑纳,TJ;威廉姆斯,北京;诺茨,W.,计算机实验的设计与分析(2018),柏林:斯普林格,柏林
[127] Sasena,M.J.:用Kriging近似提高约束全局设计优化的灵活性和效率。博士。论文,密歇根大学(2002)
[128] 佐塞纳,乔丹州;帕帕兰布罗斯,P。;Goovaerts,P.,约束全局优化的元建模抽样准则探索,工程优化,34,3,263-278(2002)
[129] Sasena,M.J.,Papalambros,P.Y.,Goovaerts,P.:使用代理建模算法在基于仿真的优化中利用函数计算时间的差异。第四届世界结构与多学科优化大会。城市环境(2001)
[130] Schonlau,M.:计算机实验和全局优化。博士。论文,滑铁卢大学(1997)
[131号] 沙里亚里,B。;斯沃斯基,K。;王,Z。;亚当斯,RP;Freitas,Nd,《让人脱离循环:贝叶斯优化的回顾》,Proc。IEEE,104,1148-175(2016年)
[132] Shimoyama,K.,Jeong,S.,Obayashi,S.:基于Kriging代理的优化,考虑无约束多目标测试问题中的预期超容量改进。在:IEEE进化计算大会,第658-665页(2013年)
[133] Shimoyama,K.,Sato,K.,Jeong,S.,Obayashi,S.:多目标优化中kriging响应面模型更新准则的比较。在:IEEE进化计算大会,第1-8页(2012年)
[134号] Shinkyu,J.,Obayashi,S.:多目标问题和数据挖掘的有效全局优化(EGO)。在:2005年IEEE进化计算大会,第2138-2145页(2005年)
[135] 辛普森,TW;布克阿杰;戈什,D。;吉安达,AA;宾夕法尼亚州科赫;杨瑞杰,多学科分析与优化中的近似方法:小组讨论,结构。多盘。Optim.,27,5,302-313(2004年)
[136] Snoek,J.,Larochelle,H.,Adams,R.P.:机器学习算法的实用贝叶斯优化。In:神经信息处理系统,第2951-2959页(2012年)
[137] Sóbester,A。;李瑞,SJ;基恩,AJ,一个近似和优化高保真计算机模拟的并行更新方案,结构。多盘。Optim.,27,5,371-383(2004年)
[138] Sóbester,A。;李瑞,SJ;Keane,AJ,基于全局响应面近似模型的优化策略设计,J.global Optim.,33,1,31-59(2005)·Zbl 1137.90743
[139号] Springenberg,J.T.,Klein,A.,Falkner,S.,Hutter,F.:稳健贝叶斯神经网络的贝叶斯优化。In:神经信息处理系统,第4134-4142页(2016年)
[140] Suprayitno,Yu JC,进化可靠的区域克里格替代物,优化工程,51,247-264(2018)
[141] 斯文森,J。;Santner,T.,评估确定性计算机模拟器模型的多目标优化,计算机。统计数据分析,94250-264(2016)·Zbl 1468.62186
[142号] Svenson,J.D.:计算机实验:多目标优化和灵敏度分析。博士。论文,俄亥俄州立大学(2011)
[143] 图右。;吴,CFJ;Yu,D.,不同网格密度下计算机实验的替代建模,技术计量学,56,3372-380(2014)
[144] 图图姆,抄送;德布,K。;Baran,I.,拉挤过程的约束有效全局优化,Mater。制造工艺,30,4538-551(2015)
[145] 乌尔马索夫。;巴鲁克,C。;查查查特,B。;戴森罗斯议员;吝啬鬼。;克拉瓦尼亚,Z。;Amsterdam-biological systems,Amsterdam-biological optimization,Amsterdam-biological systems,Amsterdam-biological optimization,Amsterdam-biological systems,Amsterdam-biological optimization,Amsterdam-biological systems,105
[146号] 巴斯克斯,E。;Bect,J.,具有固定均值和协方差函数的期望改进算法的收敛性,J.Stat.Plan。推理,140,11,3088-3095(2010)·Zbl 1419.62200
[147] 巴斯克斯,E。;维尔蒙泰克斯,J。;Sidorkiewicz,M。;Walter,E.,基于噪声评估的全局优化:两种统计方法的实证研究,J.Phys。Conf.Ser.,135012100(2008年)
[148] 文丘里,G。;贝尼尼,E。;Łaniewski Wołłk,L.,kriging辅助多目标进化算法,应用。软计算,58155-175(2017)
[149号] 维亚纳,FA;哈夫特卡,RT;Watson,LT,《多代理技术辅助的高效全局优化算法》,J.global Optim.,56,2669-689(2013)·Zbl 1275.90072
[150] 维亚娜,联邦航空公司;辛普森,TW;巴拉巴诺夫五世。;Toropov,V.,《多学科设计优化中的元建模:我们真正走了多远?》,AIAA J.,52,4670-690(2014)
[151] 比利亚雷亚尔·马拉奎因,MG;斯文森,法学博士;太阳,F。;桑纳,TJ;迪安,A。;Castro,JM,两种基于元模型的方法的比较,用于注塑成型案例研究的多准则模拟优化,J.Polym。英国,33,3193-209(2013年)
[152] 维尔蒙泰克斯,J。;巴斯克斯,E。;Sidorkiewicz,M。;Walter,E.,代价昂贵的函数的全局优化:两个抽样准则的经验比较,J.Global Optim.,43,2-3,373-389(2009)·Zbl 1169.90460
[153] 维尔蒙泰克斯,J。;巴斯克斯,E。;Walter,E.,计算代价昂贵的函数的全局优化的信息方法,J.global Optim.,44,4,509-534(2009)·Zbl 1180.90253
[154] 瓦格纳,T。;埃默里奇,M。;道兹,A。;庞维泽W。;谢弗,R。;科塔,C。;Kołodziej,J。;Rudolph,G.,《基于模型的多目标优化的预期改进准则》,来自《自然》的并行问题求解,PPSN XI,718-727(2010),柏林:斯普林格,柏林
[155] 王,GG;Shan,S.,支持工程设计优化的元建模技术综述,机械工程杂志。Des.,129,2370-380(2007年)
[156] 王,H。;叶,F。;李,E。;Li,G.,使用不同替代物对预期改善辅助全局优化的比较研究,工程优化,48,8,1432-1458(2016)
[157] Wang,Y.,Han,Z.H.,Zhang,Y.,Song,W.P.:使用多重填充抽样准则和代理模型的有效全局优化。在:2018年AIAA航空航天科学会议,AIAA科学技术论坛。美国航空航天学会(2018年)。10.2514/6.2018-0555
[158] 王,Z。;赫特,F。;佐吉,M。;马西森,D。;贝叶斯人工制品,随机维数优化。因特尔。第55361-387号决议(2016年)·Zbl 1358.90089号
[159] Wang,Z.,Li,C.,Jegelka,S.,Kohli,P.:基于结构核学习的批处理高维贝叶斯优化。In:《第34届机器学习国际会议论文集》,第3656-3664页(2017年)
[160] Wang,Z.,Zoghi,M.,Hutter,F.,Matheson,D.,De Freitas,N.:通过随机嵌入实现高维贝叶斯优化。第23届国际人工智能联席会议(2013)·Zbl 1358.90089号
[161] 威廉姆斯,北京;桑纳,TJ;诺茨,威斯康星州,计算机实验的顺序设计,最小化综合响应函数,统计信息,10,4,1133-1152(2000)·Zbl 0961.62069
[162] 肖,M。;张G。;布雷特科普夫,P。;维隆,P。;张伟,基于多保真度数据的扩展协同克里格插值方法,应用。数学。计算机,323120-131(2018年)·Zbl 1426.76199
[163] 徐,S。;《基于全局优化的全局优化问题》,第1期,第3671页,全球优化,第1期,第3671页·Zbl 1402.90088号
[164] 徐,S。;陈,H。;张杰,气动外形设计优化的Nash-EGO算法研究,结构。多盘。最佳,59,4,1241-1254(2019年)
[165] Yang,K.,Deutz,A.,Yang,Z.,Back,T.,Emmerich,M.:截断期望超体积改进:精确计算和应用。在:IEEE进化计算大会,4350-4357页(2016)
[166号] Yang,K.,Emmerich,M.,Deutz,A.,Fonseca,C.M.:在渐近最优时间计算三维期望超体积改进和相关积分。进化多准则优化。计算机科学课堂讲稿,第685-700页。斯普林格,查姆(2017)·Zbl 1430.90522号
[167] Yang,K.,Gaida,D.,Back,T.,Emmerich,M.:沼气厂pid控制器整定和多目标动态控制的期望超容积改进算法。在:IEEE进化计算大会,1934-1942页(2015)
[168号] 杨,Z。;邱,H。;高,L。;江,C。;Zhang,J.,高维计算昂贵问题的两层自适应代理辅助进化算法,J.Global Optim.,74,2,327-359(2019)·Zbl 1422.90072
[169] Yarotsky,D.,通过预期改进优化的不一致性示例,J.Global Optim.,56,4,1773-1790(2013)·Zbl 1291.90156
[170] 元,乙。;刘,L。;长,T。;石,R。;舒马赫,A。;维托,T。;菲比格,S。;布鲁辛格,加州;Maute,K.,考虑昂贵约束的高效全局优化策略,结构和多学科优化的进展:第12届结构和多学科优化世界大会论文集(WCSMO12),133-142(2018),Cham:Springer,Cham
[171] 元,Y。;徐,H。;王,B。;Yao,X.,一种新的基于优势关系的多目标优化进化算法,IEEE Trans。进化。计算机,20,1,16-37(2016)
[172] 詹博士。;程,Y。;Liu,J.,基于期望改进矩阵的昂贵多目标优化填充准则,IEEE Trans。进化。计算机,21,6,956-975(2017年)
[173] 詹博士。;钱,J。;Cheng,Y.,在并行高效全局优化算法中平衡全局和局部搜索,J.global Optim.,67,4873-892(2017)·Zbl 1369.90139
[174] 詹博士。;钱,J。;Cheng,Y.,并行EGO算法的伪期望改进准则,J.Global Optim.,68,3641-662(2017)·Zbl 1377.90069
[175] 张Q。;Li,H.,MOEA/D:基于分解的多目标进化算法,IEEE Trans。进化。计算机,116712-731(2007)
[176] 张Q。;刘伟。;曾荫权。;Virginas,B.,基于高斯过程模型的MOEA/D的昂贵多目标优化,IEEE Trans。进化。计算机,14,3,456-474(2010年)
[177] Zhang,S.,Lyu,W.,Yang,F.,Yan,C.,Zhou,D.,Zeng,X.,Hu,X.:模拟电路综合的有效多保真度贝叶斯优化方法。第56届设计自动化年会(2019年)会议记录
[178] 张,Y。;汉、中;张国伟,张国伟,高维函数全局优化的变保真期望改进方法,结构。多盘。Optim.,58,4,1431-1451(2018年)
[179] 周,Q。;钱,PZG;2011年,采用简单的定量方法,对技术指标进行定量模拟,周,53)
[180度] 朱,C。;许,L。;Goodman,ED,多目标进化优化的帕累托最优性的推广,IEEE Trans。进化。计算机,20,2,299-315(2016年)
[181号] 左后苏哈尔;帕拉尔,PS;Shimoyama,K.,气动设计多目标期望改进的比较研究,Aerosp。科学。技术,91548-560(2019年)
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。