KB 和 CL 都是基于 q-EI 方法的改进。是近似的平行策略。如有不对请指出!
普通的q-EI:
记黑盒函数
每轮迭代中选择q个点,并计算每个点的真实响应值,即
KB:
记当前已知数据建立的代理模型
每轮 迭代中选择q个点,其中的每个点不再是真实响应值,而是代理模型的值,即
CL:
记已知点,当前常数为L,其中L可以是、、
每轮 迭代中选择q个点,其中的每个点不再是真实响应值,而是代理模型的值,即
KB 和 CL 都是基于 q-EI 方法的改进。是近似的平行策略。如有不对请指出!
记黑盒函数
每轮迭代中选择q个点,并计算每个点的真实响应值,即
记当前已知数据建立的代理模型
每轮 迭代中选择q个点,其中的每个点不再是真实响应值,而是代理模型的值,即
记已知点,当前常数为L,其中L可以是、、
每轮 迭代中选择q个点,其中的每个点不再是真实响应值,而是代理模型的值,即