研究人員提出CTD方法來優化多重標準任務

研究人員提出了一種新的方法 Converge-then-Diversify (CTD)，它將多目標貝葉斯優化（MOBO）過程分為兩個連續的階段。這種方法可以在計算預算有限的情況下有效地找到解決方案，而傳統算法通常難以同時實現收斂和多樣性。

在第一階段，CTD 專注於實現收斂，將搜索導向帕累托前緣的某一點。第二階段，算法切換到確保多樣性，將找到的解決方案分佈在整個帕累托前緣上。這種兩階段的過程可以避免在處理「黑盒」和複雜函數時過早地分散資源。

該方法的有效性已經在大規模測試中得到證實，測試包括 446 對比較。根據結果，CTD 在 72.9% 的情況下超越了現代的類似方法，在 21.1% 的情況下表現出相當的結果，僅在 6.1% 的實驗中出現了統計上的遜色。

CTD 的最大優勢在於處理迭代次數限制嚴格或參數空間維度高的任務時。研究作者在 CC BY 4.0 授權下發表了研究，提供了詳細的數學工具和基準測試結果。

實施此方法可以優化昂貴的計算模型的工作，需要在最少的運行次數下精確地選擇參數。這減少了在工程和科學任務中尋找最佳配置的時間，在這些任務中，每次調用目標函數都需要大量的資源。