下载掌阅APP，畅读海量书库
立即打开
贝叶斯优化方法是一种优化目标函数的方法，这些目标函数需要花费很长时间（几分钟或几小时）评估。它最适合优化少于20个维度的连续域，并且能够容忍函数评估中的随机噪声。它通过建立一个代理模型来拟合目标函数，并使用贝叶斯机器学习技术——高斯过程回归量化代理模型中的不确定性，然后使用从该代理模型中定义的获取函数决定采样位置。本章描述了贝叶斯优化的工作原理，包括高斯过程回归和3种常见的获取函数，即期望改进、熵搜索和知识梯度；然后讨论了更高级的技术，包括并行运行多个函数评估、多保真度和多信息源优化、昂贵的评估限制、随机环境条件、多任务贝叶斯优化以及导数信息。其次，本章对标准多目标测试问题进行了综述，以便更好地理解不同方法的性能表现。最后，本章介绍了用于衡量多目标优化方法性能的相关评价指标。这些评价指标能够帮助我们评估贝叶斯优化方法在不同情况下的优化效果。