Die Studie präsentiert eine Baumsuche-Methode namens DOTS (Derivative-free stOchastic Tree Search) zur Optimierung hochdimensionaler, komplexer Systeme. DOTS konstruiert einen stochastischen Suchbaum mit einem Mechanismus für kurzfristige Rückwärtspropagation und einer dynamischen oberen Vertrauensgrenze (DUCB), um lokale Minima zu umgehen und den globalen Optimalpunkt effizient zu finden.
DOTS wurde umfassend auf synthetischen Benchmark-Funktionen getestet und übertrifft andere State-of-the-Art-Algorithmen deutlich, indem es Konvergenz in Dimensionen von bis zu 2.000 erreicht, während andere Methoden ab 100 Dimensionen scheitern. Darüber hinaus wurde DOTS erfolgreich in verschiedenen virtuellen Laboren für komplexe Systeme in den Bereichen Materialien, Physik und Biologie eingesetzt, wo es die bestehenden Algorithmen deutlich übertrifft.
Die Studie zeigt, dass DOTS eine leistungsfähige Methode ist, um hochdimensionale, nichtlineare Optimierungsprobleme zu lösen, bei denen die Struktur der Zielfunktion unbekannt ist. Dies eröffnet neue Möglichkeiten für die automatisierte Entdeckung von Wissen in verschiedenen quantitativen Disziplinen.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Ye Wei,Bo Pe... at arxiv.org 04-08-2024
https://arxiv.org/pdf/2404.04062.pdfDeeper Inquiries