基于贝叶斯优化的可持续工艺系统灵活高效设计框架
内容提要
本文综述贝叶斯优化进展，涵盖扩展SnAKe算法（兼顾实验成本与输入变化成本）、基于随机先验bootstrap集成的深度学习框架（高维输出优化）、仅需采样后验预测的SBBO方法（组合与离散空间）、随机延迟反馈的子线性遗憾算法、ROBOT（排序与信任区间寻找多样高性能解），以及输入不确定性多目标优化、自适应线性化、ColaBO先验整合和MVaR方法。
延伸解读
从算法扩展看实际优化成本
文章提到的扩展SnAKe算法同时考虑实验成本和输入参数变化成本，这提醒读者在实际工艺设计中，除了评估函数本身的代价，调整输入参数也可能带来额外开销。该算法还支持最大允许输入变化和多目标设置，意味着它更适合那些对操作稳定性有要求、且需要平衡多个指标的场景。
高维输出与复杂形状优化的新思路
基于随机先验bootstrap集成的深度学习框架，专门针对高维输出情况逼近设计变量与感兴趣数量之间的关系。文章以轮毂叶片形状优化为例，表明该方法在高度复杂任务中具有优势。对于需要处理大量输出指标或几何形状优化的读者，这提供了一种将深度学习与贝叶斯优化结合的可参考路径。
离散与组合空间中的贝叶斯优化
SBBO方法仅需通过基于采样的后验预测分布访问黑盒函数，并允许在组合空间和离散变量中使用概率代理模型。文章通过不同代理模型的实证证明了其有效性。这意味着当设计变量不是连续值，而是类别、顺序或组合选择时，SBBO提供了一种可行的优化框架，扩展了传统贝叶斯优化的适用范围。
风险度量与输入不确定性的处理
文章涉及输入不确定性多目标优化和MVaR方法，前者量化鲁棒性并搜索鲁棒帕累托前沿，后者通过优化多维风险价值来产生适应噪声的最优设计。对于存在输入噪声或多指标要求的工艺系统，这些方法强调的不是单一最优解，而是能在不确定性下满足多个指标要求的稳健方案。
Q&A
贝叶斯优化中如何处理实验成本和输入参数变化成本？
扩展的SnAKe算法可以同时处理实验成本和输入参数变化成本，包括最大允许输入变化和多目标设置。
有哪些贝叶斯优化方法适用于高维输出问题？
基于具有随机先验的bootstrap整合的神经体系结构的深度学习框架，用于贝叶斯优化和连续决策，能够逼近高维输出下设计变量与感兴趣数量之间的函数关系。
模拟基于贝叶斯优化（SBBO）方法有什么特点？
SBBO只需要通过基于采样的后验预测分布进行访问，允许在涉及组合空间和离散变量的情况下使用适用于组合空间的概率代理模型。
贝叶斯优化在随机延迟反馈问题上有哪些算法保证？
提出了具有子线性遗憾保证的算法，并在批量BO和上下文高斯过程老虎机方面做出了新贡献。
ROBOT方法在贝叶斯优化中有什么作用？
ROBOT使用排序和信任区间的方法来找到不同的高性能解决方案，相较于寻找单一最佳解决方案，只需要进行少量的额外函数评估。
如何处理贝叶斯优化中的输入不确定性多目标问题？
提出了一种新的贝叶斯优化框架，用于考虑输入不确定性的多目标优化，包括鲁棒性的量化和搜索一个鲁棒的帕累托前沿，并通过数值基准测试证明了其有效性。
ColaBO在贝叶斯优化中有什么创新？
ColaBO是首个贝叶斯规范框架，用于将超出典型内核结构的先前信念整合到优化过程中，能够在准确的先前信息下大幅加速优化，并在误导性信息下保持大致默认性能。
多目标贝叶斯优化中如何应对输入噪声？
提出了一种新的多目标贝叶斯优化方法，通过优化多维风险价值（MVaR）来产生适应噪声并能够满足多个指标要求的最优设计。
