Исследователи представили метод CTD для оптимизации многокритериальных задач

Исследователи предложили новый подход Converge-then-Diversify (CTD), который разделяет процесс многокритериальной байесовской оптимизации (MOBO) на два последовательных этапа. Метод позволяет эффективно находить решения в условиях ограниченного бюджета вычислений, где традиционные алгоритмы часто не справляются с одновременным поиском сходимости и разнообразия.

На первом этапе CTD фокусируется исключительно на достижении сходимости, направляя поиск к одной точке на фронте Парето. На втором этапе алгоритм переключается на обеспечение разнообразия, распределяя найденные решения вдоль всего фронта. Такой двухстадийный процесс позволяет избежать преждевременного рассеивания ресурсов при работе с «черными ящиками» и сложными функциями.

Эффективность метода была подтверждена в ходе масштабного тестирования, включающего 446 парных сравнений. Согласно результатам, CTD превосходит современные аналоги в 72,9% случаев, демонстрируя эквивалентные показатели в 21,1% ситуаций. Статистическое отставание было зафиксировано лишь в 6,1% экспериментов.

Наибольшее преимущество CTD проявляется при работе с жесткими ограничениями на количество итераций или в задачах с высокой размерностью пространства параметров. Авторы работы опубликовали исследование под лицензией CC BY 4.0, предоставляя детальное описание математического аппарата и результаты бенчмарков.

Внедрение данного метода позволяет оптимизировать работу с дорогостоящими вычислительными моделями, требующими точного подбора параметров при минимальном количестве запусков. Это сокращает время поиска оптимальных конфигураций в инженерных и научных задачах, где каждый вызов целевой функции требует значительных затрат ресурсов.