Optimisation bayésienne via des fonctions barrières

Les méthodes d'optimisation hybrides qui combinent la modélisation statistique avec la programmation mathématique sont devenues une solution populaire pour l'optimisation bayésienne (BO) car elles peuvent mieux tirer parti à la fois des propriétés de recherche locale efficaces de la méthode numérique et des propriétés de recherche globale du modèle statistique. Ces méthodes visent à créer une stratégie de conception séquentielle pour optimiser efficacement des fonctions noires coûteuses lorsque les informations sur le gradient ne sont pas facilement disponibles. Dans cet article, nous proposons une nouvelle stratégie de BO qui combine la modélisation de surface de réponse avec des méthodes barrières pour résoudre efficacement des problèmes d'optimisation contraints coûteux dans la modélisation informatique. Au cœur de tous les algorithmes de BO se trouve une fonction d'acquisition pour guider efficacement la recherche. Notre algorithme hybride est guidé par une nouvelle fonction d'acquisition qui tente de diminuer la fonction objective autant que possible tout en essayant simultanément de s'assurer que la frontière de l'espace de contrainte n'est jamais franchie. Des illustrations mettant en évidence le succès de notre méthode sont fournies, y compris une expérience d'optimisation de modèle informatique du monde réel issue de l'hydrologie. Des fichiers supplémentaires pour cet article sont disponibles en ligne.