机构名称：
¥ 1.0
摘要 - Bayesian优化是模拟电路合成的有前途的方法。但是，贝叶斯优化框架的顺序性质显着限制了其充分利用现实世界计算资源的能力。在本文中，我们提出了一种通过多目标采集函数集合（MACE）进行有效的可行贝叶斯优化算法，以进一步加速优化过程。通过对改进概率（PI），预期改进（EI）和较低置信（LCB）的帕累托阵线进行抽样查询点，我们结合了最新的艺术习得功能的利益，以实现探索和剥削之间的精致折衷和无限限制的优化问题之间的脆弱交易。基于此批处理设计，我们进一步调整了约束优化问题的算法。通过将优化过程分为两个阶段，并首先关注找到初始可行点，我们设法获得了有关有效区域的更多信息，并可以更好地避免在不可行的区域周围采样。达到了第一个可行点后，我们通过对收购函数集合采用特殊设计的惩罚术语来赞成可行的区域。实验结果定量地表明，与批处理大小为15时，与差分进化（DE）相比，我们提出的算法可以将总体仿真时间减少到74倍（DE）。对于受限的优化问题，与基于加权的基于预期改进的贝叶斯优化（WEIBO）方法相比，我们提出的算法可以将优化过程高达15倍，当批处理大小为15时。
有效的批处理贝叶斯优化...
主要关键词
相关文件推荐
