[Bayesian Optimization]Kriging Believer and Constant Liar

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y(x)

每轮迭代中选择q个点,并计算每个点的真实响应值,即\left \{x^{n+1},...,x^{N+q} \right \},\left \{y(x^{n+1}),...,y(x^{n+q}) \right \}

KB:

记当前已知数据建立的代理模型\tilde{Y}(x)

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\left \{x^{n+1},...,x^{N+q} \right \},\left \{\tilde{Y}(x^{n+1}),...,\tilde{Y}(x^{n+q}) \right \}

CL:

记已知点Y,当前常数为L,其中L可以是min(Y)mean(Y)max(Y)

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

 \left \{x^{n+1},...,x^{N+q} \right \},\left \{L,...L \right \}

猜你喜欢

转载自blog.csdn.net/qq_44785318/article/details/123644298