報 每日報告新聞網
聖塔非研究所

最佳化中的機率集合

2026-03-18 · 工作論文 · 更新 2026/03/18 下午01:50

摘要 本文涉及「黑盒最佳化」演算法，其中迭代以下過程：選擇一個值 x 2 X，獲取有關關聯值 G(x) 的統計信息，然後使用迄今為止找到的所有對 f(x;G(x))g 的集合來選擇對 G 進行採樣的下一個 x 值，目標是找​​到具有盡可能小的 G(x) 的 x，並儘可能快地完成此操作。傳統黑盒優化演算法的範例有遺傳演算法、模擬退火等。這些傳統演算法直接使用值 x，將集合 f(x…

原文連結PDF 來源

本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。

原文連結

論文資訊

  • 類型：工作論文
  • 編號：工作論文 #249
  • 日期：2026-03-18

摘要

本文涉及「黑盒最佳化」演算法，其中迭代以下過程：選擇一個值 x 2 X，獲取有關關聯值 G(x) 的統計信息，然後使用迄今為止找到的所有對 f(x;G(x))g 的集合來選擇對 G 進行採樣的下一個 x 值，目標是找​​到具有盡可能小的 G(x) 的 x，並儘可能快地完成此操作。傳統黑盒優化演算法的範例有遺傳演算法、模擬退火等。這些傳統演算法直接使用值 x，將集合 f(x;G(x))g 隨機對應到下一個 x。採樣的新 x 的分佈從未被明確優化。相較之下，在機率集合 (PC) 方法中，明確使用集合 f(x;G(x))g 來優化將採樣的 x 上的機率分佈。本文回顧了在 Probability Collectives 上所做的一些工作，特別介紹了一些已證明其威力的實驗。