Bayesian Karışık-Tamsayılı Programlama — Karışık-Tamsayılı Arama Uzayları Üzerinde Yardımcı Optimizasyon
Bayesian Mixed-Integer Programming — Surrogate-Assisted Optimization over Mixed-Integer Search Spaces · Ayrıca şöyle bilinir: Bayesian MIP, BO-MIP, Bayesian Combinatorial Optimization, Mixed-Integer Bayesian Optimization
Bayesian Karışık-Tamsayılı Programlama (BO-MIP), hem sürekli hem de ayrık veya tamsayı değerli karar değişkenleri içeren uzaylarda tanımlanan pahalı kara kutu amaç fonksiyonlarını verimli bir şekilde optimize etmek için olasılıksal bir yardımcı model (tipik olarak bir Gauss süreci) ile bir karışık-tamsayılı programlama çözücüsünü birleştirir. Özellikle her fonksiyon değerlendirmesinin maliyetli olduğu ve kapsamlı aramanın imkansız olduğu durumlarda değerlidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Amaç fonksiyonunun değerlendirilmesinin pahalı olduğu (her sorgu önemli zaman veya para maliyeti), arama uzayının sürekli değişkenlerin yanı sıra tamsayı veya kategorik değişkenler içerdiği ve toplam değerlendirme bütçesinin küçük olduğu (onlarca ila yüzlerce çalışma) durumlarda Bayesian MIP kullanın. Makine öğrenmesinde hiperparametre optimizasyonu, kimyasal proses tasarımı, tesis yerleşimi ve ayrık faktörlerle deneysel tasarım için uygundur. Amaç fonksiyonunun değerlendirilmesinin ucuz olduğu ve binlerce çağrının karşılanabilir olduğu durumlarda KULLANMAYIN — klasik MIP çözücüleri veya evrimsel yöntemler daha hızlı olacaktır. Arama uzayının çok yüksek boyutlu olduğu (>30 değişken) ve yardımcı modelin güvenilmez hale geldiği veya güçlü problem yapısının (doğrusallık, dışbükeylik) deterministik MIP'yi doğrudan çözülebilir hale getirdiği durumlardan kaçının.
Güçlü yönler & sınırlılıklar
- Örnek verimliliği: evrimsel veya rastgele yöntemlere göre çok daha az amaç fonksiyonu değerlendirmesiyle iyi çözümler elde eder, bu da onu pahalı kara kutu problemler için ideal kılar.
- İlkeli belirsizlik ölçümü: GP yardımcı modeli, tahminler etrafında güvenilir aralıklar sağlar, bu da bilgilendirilmiş durdurma ve risk değerlendirmesini destekler.
- Sürekli gevşetme veya yuvarlama sezgisel yöntemlerine gerek kalmadan karışık-tamsayılı alanları yerel olarak işler.
- Esnek edinme fonksiyonları, kısıtlamaların, çoklu sadakat bilgilerinin ve toplu paralelliğin açıkça dahil edilmesine izin verir.
- GP olasılık fonksiyonunda gürültü varyansını modelleyerek gürültülü gözlemlerle çalışır.
- Ölçeklenebilirlik: GP uydurma, gözlem sayısıyla kübik olarak ölçeklenir; performans yüksek boyutlu uzaylarda ve büyük değerlendirme bütçelerinde düşer.
- Edinme MIP karmaşıklığı: yardımcı model karmaşık veya büyük ölçekli bir alt problem indüklerse, iç MIP'nin kendisi zor olabilir.
- Yardımcı modelin yanlış belirtilmesi: GP çekirdeği kötü seçilirse, yardımcı model yanlış bir vekil olabilir ve suboptimal keşfe yol açabilir.
- Yardımcı modelin (çekirdek, gürültü seviyesi) ve edinme fonksiyonu parametrelerinin dikkatli hiperparametre ayarı gerektirir.
- Sürekli Bayesian optimizasyona kıyasla genel karmaşık tamsayılı alanlar için sınırlı teorik garantiler.
SSS
Bayesian MIP, stokastik MIP'den nasıl farklıdır?
Stokastik MIP, problem parametrelerindeki (talepler, maliyetler) açık olasılıksal belirsizliği modeller ve senaryolar üzerinden beklenen veya sağlam amaç fonksiyonlarını optimize eder. Bayesian MIP, pahalı bir kara kutu amaç fonksiyonunu tahmin etmek için bir Bayesian yardımcı modeli kullanır ve hangi tamsayıya uygun noktaların bir sonraki değerlendirileceğini yönlendirir. Bayesian MIP'deki belirsizlik, problem verilerindeki rastgelelik değil, fonksiyon değeri hakkındaki bilgisizliktir.
Bayesian MIP, tamsayılık dışındaki kısıtlamaları işleyebilir mi?
Evet. Doğrusal kısıtlamalar doğrudan edinme MIP'sine kodlanabilir. Bilinmeyen kara kutu kısıtlamaları, her kısıtlama için ayrı yardımcı modeller uydurularak ve kısıtlama uygunluk olasılığının edinme fonksiyonuna dahil edilmesiyle (kısıtlı Bayesian optimizasyon) ele alınabilir.
Bayesian MIP'nin güvenilir bir şekilde aramayı yönlendirmesinden önce tipik olarak kaç başlangıç değerlendirmesi gereklidir?
Yaygın bir sezgisel yöntem, d karar değişkeni sayısı olmak üzere max(5, 2d) başlangıç noktasıdır. Uygulamada, edinme döngüsü başlamadan önce genellikle 10-20 rastgele veya latin hiperküp örneği kullanılır, ancak bu toplam bütçeye uyarlanmalıdır.
Karışık-tamsayılı problemler için hangi edinme fonksiyonu en iyi performansı gösterir?
Beklenen İyileşme (EI) en yaygın kullanılan temeldir ve genellikle iyi performans gösterir. Gürültülü değerlendirmeler için Bilgi Gradyanı veya Thompson Örneklemesi daha sağlam olabilir. Doğru seçim, gürültü seviyesine, edinme MIP'sinin maliyetine ve toplu değerlendirmelerin istenip istenmediğine bağlıdır.
Bayesian MIP, binlerce ikili değişkenli çok büyük tamsayılı programlar için uygun mudur?
Genellikle hayır. Hem GP yardımcı modeli hem de edinme MIP'si çok yüksek boyutlarda çözülemez hale gelir. Büyük ölçekli kombinatoryal problemler için ayrıştırma yöntemleri, grafik sinir ağı yardımcı modelleri veya öğrenerek dallanma yaklaşımları daha uygun alternatiflerdir.
Kaynaklar
- Baptista, R., Poloczek, M. (2018). Bayesian Optimization of Combinatorial Structures. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80:462–471. link ↗
- Bonami, P., Biegler, L. T., Conn, A. R., Cornuejols, G., Grossmann, I. E., Laird, C. D., Lee, J., Lodi, A., Margot, F., Sawaya, N., Wächter, A. (2008). An algorithmic framework for convex mixed integer nonlinear programs. Discrete Optimization, 5(2), 186–204. DOI: 10.1016/j.disopt.2006.10.011 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Mixed-Integer Programming — Surrogate-Assisted Optimization over Mixed-Integer Search Spaces. ScholarGate. https://scholargate.app/tr/simulation/bayesian-mixed-integer-programming
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi OptimizasyonOptimizasyon↔ karşılaştır
- Karmaşık-Tamsayı ProgramlamaSimülasyon↔ karşılaştır
- Çok Amaçlı Karma Tamsayılı ProgramlamaSimülasyon↔ karşılaştır
- Karma Karışık Tamsayılı ProgramlamaSimülasyon↔ karşılaştır
- Stokastik Karma Tamsayılı ProgramlamaSimülasyon↔ karşılaştır