Araştırmacılar, çok kriterli görevleri optimize etmek için CTD yöntemini sundular

Araştırmacılar, çok kriterli Bayes optimizasyon (MOBO) sürecini iki ardışık aşamaya ayıran yeni bir yaklaşım olan Converge-then-Diversify (CTD) önerdiler. Bu yöntem, hesaplama bütçesinin sınırlı olduğu durumlarda, geleneksel algoritmaların genellikle aynı anda yakınsaklık ve çeşitlilik aramasında başarısız olduğu durumlarda etkili bir şekilde çözümler bulmayı sağlar.

CTD'nin ilk aşamasında, yalnızca yakınsaklığa ulaşmaya odaklanır ve aramayı Pareto cephesindeki bir noktaya yönlendirir. İkinci aşamasında, algoritma çeşitliliği sağlamak için geçiş yapar ve bulunan çözümleri tüm cephe boyunca dağıtır. Bu iki aşamalı süreç, "kara kutu" ile çalışırken ve karmaşık fonksiyonlarla karşılaşırken kaynakların erken dağılmasını önlemenizi sağlar.

Yöntemin etkinliği, 446 çiftli karşılaştırma içeren geniş bir test çalışması ile doğrulandı. Sonuçlara göre, CTD, çağdaş benzerlerini 72,9% durumda aşmaktadır ve 21,1% durumda eşdeğer performans göstermektedir. İstatistiksel geri kalma yalnızca 6,1% deneylerde kaydedilmiştir.

CTD'nin en büyük avantajı, iterasyon sayısına ilişkin katı kısıtlamalar veya parametre uzayının yüksek boyutlu olduğu görevlerde ortaya çıkar. Çalışmanın yazarları, araştırmasını CC BY 4.0 lisansı altında yayınladılar ve matematiksel araçların ayrıntılı bir açıklamasını ve benchmark sonuçlarını sağladılar.

Belirtilen yöntemin uygulanması, pahalı hesaplama modelleriyle çalışmayı optimize etmenizi sağlar ve minimum sayıda çalıştırma ile parametrelerin doğru şekilde ayarlanmasını gerektirir. Bu, mühendislik ve bilimsel görevlerde optimal yapılandırmaları bulma süresini kısaltır, burada her hedef fonksiyon çağrısı önemli kaynak maliyetleri gerektirir.