在替代优化中增强批量多样性：一种行列式点过程方法

《ACM Transactions on Evolutionary Learning and Optimization》：Enhancing Batch Diversity in Surrogate Optimization: A Determinantal Point Processes Approach

代理优化中探索与利用的权衡问题在批量评估场景下尤为突出，现有方法难以充分保证多样性。本文提出基于确定点过程（DPP）的代理优化框架DPPSO，通过创新离散化方案与采样算法融合探索与利用目标，并开发评分函数评估采样点质量，理论保证收敛概率下界。实验表明DPPSO在多个基准测试中优于现有基线方法。

　　

摘要

在针对昂贵的黑盒函数的替代优化问题中，探索与利用之间的权衡是一个重大挑战，尤其是在处理批量评估场景时。尽管人们努力开发了批量采样技术，但这些技术往往无法充分重视所选批次内的多样性。在本文中，我们提出了一种全新的方法，称为基于行列式点过程（DPP）的替代优化（DPPSO），它构成了一个统一的框架。DPPSO引入了一种新的离散化方案和采样算法，通过利用DPP分解的力量来融合探索和利用的目标。该项目的一个重要方面是开发有效的评分函数，以将采样点的质量纳入评估之中。我们提供了理论保证，证明了DPPSO能够实现收敛概率的下界。我们通过不同的基准测试验证了DPPSO的有效性，并将其性能与各种基线方法进行了比较。