机构名称：
¥ 2.0
解决现实世界的优化问题时，当无法获得分析性的功能或约束时，特别具有挑战性。虽然许多研究已经解决了未知目标的问题，但在没有明确给出可行性约束的情况下进行了有限的研究。忽略这些概念可能会导致虚假的解决方案，这些解决方案在实践中是不现实的。要处理这种未知的约束，我们建议使用扩散模型在数据歧管中执行优化。为了将优化过程限制为数据歧管，我们将原始优化问题重新制定为从目标函数定义的Boltzmann分布的乘积和扩散模型学到的数据分布中的采样问题。为了提高Sampor的效率，我们提出了一个两阶段的框架，该框架从引导的扩散过程开始进行热身，然后是Langevin动力学阶段，以进行进一步校正。理论分析表明，初始阶段会导致针对可行解决方案的分布，从而为后期提供了更好的初始化。在合成数据集，六个现实世界的黑框优化数据集和多目标优化数据集上进行的综合实验表明，我们的方法具有以前的先前最先进的盆地，可以更好地或可比性的性能。
扩散模型作为约束的采样器，以优化，并没有知道的约束
主要关键词
相关文件推荐
