अनजान प्रतिबंधों के साथ ऑप्टिमाइज़ेशन के लिए प्रतिबंधित सैंपलर्स के रूप में विसरण मॉडल

जब विश्लेषणात्मक उद्देश्य कार्य या प्रतिबंध उपलब्ध नहीं होते हैं, तब वास्तविक दुनिया के ऑप्टिमाइज़ेशन समस्याओं का समाधान करना विशेष रूप से चुनौतीपूर्ण हो जाता है। जबकि कई अध्ययनों ने अनजान उद्देश्यों के मुद्दे को संबोधित किया है, सीमित शोध उन परिदृश्यों पर केंद्रित है जहाँ व्यवहार्यता प्रतिबंध स्पष्ट रूप से दिए नहीं गए हैं। इन प्रतिबंधों को नजरअंदाज करने से ऐसे समाधान उभर सकते हैं जो व्यवहार में असंभव होते हैं। ऐसे अनजान प्रतिबंधों से निपटने के लिए, हम डेटा मानस पर विसरण मॉडल का उपयोग करके ऑप्टिमाइज़ेशन करने का प्रस्ताव करते हैं। डेटा मानस में ऑप्टिमाइज़ेशन प्रक्रिया को प्रतिबंधित करने के लिए, हम मूल ऑप्टिमाइज़ेशन समस्या को बल्त्ज़मान वितरण के उत्पाद से सैंपलिंग समस्या के रूप में फिर से स्वरूपित करते हैं, जो उद्देश्य कार्य और विसरण मॉडल द्वारा सीखी गई डेटा वितरण द्वारा परिभाषित होता है। सैंपलिंग दक्षता बढ़ाने के लिए, हम एक दो-चरणीय ढांचे का प्रस्ताव करते हैं जो वार्म-अप के लिए एक मार्गदर्शित विसरण प्रक्रिया से शुरू होता है, इसके बाद आगे की सुधार के लिए लंगेविन गतिशीलता चरण आता है। सैद्धांतिक विश्लेषण दिखाता है कि प्रारंभिक चरण व्यवहार्य समाधानों पर केंद्रित एक वितरण परिणाम देता है, जिससे बाद के चरण के लिए एक बेहतर प्रारंभिककरण मिलती है। एक सिंथेटिक डेटा सेट, छह वास्तविक दुनिया के काले-बॉक्स ऑप्टिमाइज़ेशन डेटा सेट, और एक बहु-उद्देश्यीय ऑप्टिमाइज़ेशन डेटा सेट पर व्यापक प्रयोग यह दिखाते हैं कि हम método पिछली राज्य-कल्याणिक बेंचमार्कों के साथ बेहतर या तुलनीय प्रदर्शन करता है।