• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Global Optimization >Efficient global optimization algorithm assisted by multiple surrogate techniques
【24h】

Efficient global optimization algorithm assisted by multiple surrogate techniques

机译：多种替代技术辅助的高效全局优化算法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Surrogate-based optimization proceeds in cycles. Each cycle consists of analyzing a number of designs, fitting a surrogate, performing optimization based on the surrogate, and finally analyzing a candidate solution. Algorithms that use the surrogate uncertainty estimator to guide the selection of the next sampling candidate are readily available, e.g., the efficient global optimization (EGO) algorithm. However, adding one single point at a time may not be efficient when the main concern is wall-clock time (rather than number of simulations) and simulations can run in parallel. Also, the need for uncertainty estimates limits EGO-like strategies to surrogates normally implemented with such estimates (e.g., kriging and polynomial response surface). We propose the multiple surrogate efficient global optimization (MSEGO) algorithm, which adds several points per optimization cycle with the help of multiple surrogates. We import uncertainty estimates from one surrogate to another to allow use of surrogates that do not provide them. The approach is tested on three analytic examples for nine basic surrogates including kriging, radial basis neural networks, linear Shepard, and six different instances of support vector regression. We found that MSEGO works well even with imported uncertainty estimates, delivering better results in a fraction of the optimization cycles needed by EGO.
机译：基于代理的优化以周期进行。每个周期包括分析许多设计，拟合代理，基于代理执行优化以及最后分析候选解决方案。使用替代不确定性估计器来指导下一个采样候选者的选择的算法是容易获得的，例如，有效全局优化（EGO）算法。但是，当主要关注的是挂钟时间（而不是模拟次数）并且模拟可以并行运行时，一次添加一个点可能没有效率。另外，对不确定性估计的需求限制了类似EGO的策略，以替代通常使用此类估计执行的策略（例如，克里金法和多项式响应面）。我们提出了多代理高效全局优化（MSEGO）算法，该算法在多个代理的帮助下每个优化周期增加了几个点。我们将不确定性估计值从一个替代项导入另一个替代项，以允许使用不提供替代项的不确定性估计。该方法在三个解析示例上针对九种基本替代方法进行了测试，包括克里格法，径向基神经网络，线性Shepard和六个不同的支持向量回归实例。我们发现，即使导入了不确定性估计值，MSEGO仍能很好地工作，从而在EGO所需的优化周期的一小部分中提供了更好的结果。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号