典型文献
黑箱优化导向的序贯均匀设计
文献摘要：
在试验设计中,序贯均匀设计(sequential uniform design)是一种基于区域压缩思想的序贯空间填充设计,又可称为序贯数论优化方法(简记为SNTO),常被实际工作者用来寻求黑箱优化问题的全局最优值.该算法的核心思想是在每阶段的压缩子区域内迭代散布低偏差序列,如数论格子点(number-theoretic net),均匀设计(uniform design)等.原始的SNTO算法存在两个缺点:1)它是一种纯粹的区域压缩搜索算法,搜索过程中未使用任何统计代理模型信息,只关注试验点本身的信息;2)迭代过程中,非最优试验点的信息被完全丢弃,未被充分利用.本文引入序贯自适应试验设计思想,帮助SNTO算法更好的确定区域压缩中心,并称改进后的算法为EI-SNTO方法.该算法通过建立高斯过程代理模型,采用期望提高准则(expected Improvement,EI)和重要性抽样来帮助选择和更新试验点.一些经典的优化检验函数模拟结果验证了 EI-SNTO算法的优化性能,同时本文还展示了该算法在机器学习模型(包括支持向量机和人工神经网络)超参数优化中的优良表现.
文献关键词：
序贯均匀设计;黑箱优化;期望提高准则;超参数优化
中图分类号：
作者姓名：
覃红;肖遥;宁建辉
作者机构：
中南财经政法大学统计与数学学院,湖北武汉430073;华中师范大学数学与统计学学院,湖北武汉430079
文献出处：
引用格式：
[1]覃红;肖遥;宁建辉-.黑箱优化导向的序贯均匀设计)[J].数理统计与管理,2022(06):989-1002
A类：
黑箱优化,序贯均匀设计,SNTO,期望提高准则
B类：
优化导向,sequential,uniform,design,空间填充设计,可称,数论,简记,记为,优化问题,全局最优值,核心思想,子区域,散布,如数,格子,number,theoretic,net,纯粹,搜索算法,代理模型,试验点,最优试验,丢弃,应试,设计思想,并称,EI,高斯过程,expected,Improvement,助选,化检验,检验函数,优化性能,机器学习模型,人工神经网络,超参数优化
AB值：
0.330215
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
