Bayesian optimization for mixed variables using an adaptive dimension reduction process: applications to aircraft design

要約

学際的な設計最適化方法は、複数の分野を含むエンジニアリングシステムの設計に数値最適化技術を適応させることを目的としています。
これに関連して、最適化プロセス中に多数の混合連続、整数、およびカテゴリ変数が発生する可能性があり、実用的なアプリケーションには多数の設計変数が含まれます。
最近、混合変数がベイジアンの最適化を制約した混合変数に関心が高まっていますが、ほとんどの既存のアプローチは、サロゲートモデルに関連するハイパーパラメーターの数を大幅に増加させています。
この論文では、より少ないハイパーパラメーターを使用してサロゲートモデルを構築することにより、この問題に対処します。
削減プロセスは、部分的な最小二乗法に基づいています。
ハイパーパラメータ数を選択するための適応手順が提案されています。
提案されたアプローチのパフォーマンスは、分析テストと、航空機の設計に関連する2つの実際のアプリケーションで確認されます。
遺伝的アルゴリズムと比較して、大幅な改善が得られます。

要約(オリジナル)

Multidisciplinary design optimization methods aim at adapting numerical optimization techniques to the design of engineering systems involving multiple disciplines. In this context, a large number of mixed continuous, integer and categorical variables might arise during the optimization process and practical applications involve a large number of design variables. Recently, there has been a growing interest in mixed variables constrained Bayesian optimization but most existing approaches severely increase the number of the hyperparameters related to the surrogate model. In this paper, we address this issue by constructing surrogate models using less hyperparameters. The reduction process is based on the partial least squares method. An adaptive procedure for choosing the number of hyperparameters is proposed. The performance of the proposed approach is confirmed on analytical tests as well as two real applications related to aircraft design. A significant improvement is obtained compared to genetic algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google