Компьютерные науки > Машинное обучение [представлено 13 сентября 2026 года] Название: " Динамическая стратегия Агрегирования > : Повышение эффективности глобальной оптимизации алгоритма для решения проблем, связанных с созданием высокомерных турбоменальных машин, взгляд на PDF HTML (экспериментальное) резюме: Для разрешения дорогостоящих проблем с «черными ящиками» в рамках бюджета предлагается эффективный алготип глобальной оптимизации (ЭГО), предусматривающий стратегию динамического агрегирования, который будет обозначаться как DA-EGO. В частности, DA-EGO размножает первоначальное высокомерное пространство дизайна в набор низкоразмерных подпространств для эффективного поиска на основе суррогатной оптимизации, и оптимальные решения подпространственных зон комбинируются как элитная точка глобального поиска. Самое главное, подпространства не постоянны. Вместо этого подпространственные переменные обновляются в каждой итерации, согласно анализу переменного взаимодействия в субпространствах и полных промежутках. Для обнаружения переменных взаимодействий используются метод возмущения и анализ отклонений. Для дальнейшего ускорения прогресса в области оптимизации диапазоны поиска подпространств также адаптивно корректируются с учетом результатов анализа результатов оптимизации подпространственного пространства, полученных при предыдущей итерации. Испытания 21 эталонного образца, включающего семь функций 30, 60 и 90 измерений, показывают, что DA-EGO эффективен в решении…
Динамическая стратегия агрегации способствовала повышению эффективности глобальной оптимизации алгоритма для решения проблем, связанных с проектированием высокомерных турбоменальных машин
arXiv:2609.16067v1 Аннонс Тип: новое резюме. Для решения дорогостоящих проблем с черной коробкой в рамках бюджета предлагается эффективный алгоритм глобальной оптимизации (ЭГО) со стратегией динамического агрегирования, который будет обозначаться как DA-EGO. В частности, DA-EGO размножает первоначальное высокомерное пространство дизайна в набор низкоразмерных подпространств для эффективного поиска на основе суррогатной оптимизации, и оптимальные решения подпространственных зон комбинируются как элитная точка глобального поиска. Самое главное, подпространства не постоянны. Вместо этого подпространственные переменные обновляются в каждой итерации, согласно анализу переменного взаимодействия в субпространствах и полных промежутках. Для обнаружения переменных взаимодействий используются метод возмущения и анализ отклонений. Для дальнейшего ускорения прогресса в области оптимизации диапазоны поиска подпространств также адаптируются с учетом результатов анализа подпространственной оптимизации предыдущих итерати.
