剧集

修订后的顺序参数优化工具箱

替换为 Sebastian Krey

用户！ 国际 R 用户 2017 会议

useR！2017：修订后的顺序参数优化...

关键字：优化、优化、代理项模型、计算机试验
网页：https://CRAN.R-project.org/package=SPOT
实际优化问题通常具有非常高的复杂性，因为多形式、约束、噪音或其他关键问题特征。 为了解决这些优化问题，可以使用大量方法集合。 其中大多数方法都需要设置一些参数，这些参数对优化性能有重大影响。 因此，必须有很多有关该问题的经验和知识，才能获得最佳结果。 如果优化算法面临对资源（尤其是时间、金钱或试验数）的强烈限制的额外困难，这种情况会变得更糟。
顺序参数优化（Bartz-Beielstein、Lasarczyk 和 Preuss 2005）是一种启发式组合的经典和现代统计技术，目的是进行高效的优化。 可以采用两种方式应用它：

  • 以有效优化和选择其他搜索算法的参数，或
  • 通过将评估负载转移到代理项模型来直接优化成本评估问题。 SPO 在以下情况下特别有用
  1. 没有选择算法参数设置的经验可用，
  2. 需要与其他算法进行比较，
  3. 优化算法必须有效地应用于复杂的实际优化问题，
  4. 目标函数是一个黑盒和昂贵的评估。 顺序参数优化工具箱 SPOT 提供增强的统计技术，例如计算机试验的设计和分析、代理项建模和优化的不同方法，以便在上述方案中有效使用顺序参数优化。
    SPOT 包的版本 2 是原始 R 包的完整重新设计和重写。 大多数函数接口经过重新设计，可提供更简化的使用体验。 同时，模块化和透明代码结构允许提高可扩展性。 此外，在 SPOT 包中添加了一些新的发展。 根据 Forrester 等人的早期 Matlab 代码（Forrester、Sobester 和 Keane 2008）的 Kriging 模型实现已扩展，以允许使用分类输入。 此外，现在可以使用堆叠来构建合奏学习者（巴茨-比尔斯坦和扎埃弗2017年）。 这允许通过组合不同建模方法的优势，创建预测性能要高得多的模型。
    在此演示中，我们将展示 SPOT 的新界面如何用于有效优化工业尘埃过滤器（旋风）的几何图形。 根据这个现实世界行业问题的简化模拟，演示了 SPOT 的一些核心功能。
    引用巴茨-比尔斯坦、托马斯和马丁·扎弗勒。 2017. “用于连续和离散全局优化的基于模型的方法。 应用软计算 55：154–67。 doi：10.1016/j.asoc.2017.01.039。

巴茨-比尔斯坦、托马斯、克里斯蒂安·拉萨尔奇克和迈克·普鲁斯。 2005. “顺序参数优化”。”在 2005年进化计算大会（Cec'05）中，1553年。 苏格兰爱丁堡。 http://www.spotseven.de/wp-content/papercite-data/pdf/blp05.pdf。

福雷斯特、亚历山大、安德拉斯·索贝斯特和安迪·基恩。 2008. 通过代理模型进行工程设计。 威利。