Algoritmo de optimización global eficiente con modelo aditivo acoplado
Abstract
Importantes industrias en el mundo emplean herramientas computacionales para optimizar sus procesos productivos y construir diseños altamente eficientes que involucran funciones objetivo multimodales de alto costo computacional. Para resolver este tipo de problema se ha propuesto un algoritmo de optimización global bayesiana denominado EGO (Efficient Global Optimization) que se caracteriza por una sólida fundamentación teórica y por requerir muy pocas evaluaciones de la función objetivo, pero que -al mismo tiempo- presenta debilidades importantes: 1) supone que la función objetivo es estacionaria, lo cual puede conducir a resultados erróneos ya que existen muchos problemas de optimización donde no es posible garantizar dicha condición, 2) su propia naturaleza lleva a trabajar con matrices de correlación mal condicionadas y 3) la estimación del modelo DACE en cada iteración influye negativamente en el tiempo de ejecución. Para superar las debilidades antes señaladas este trabajo propone un nuevo algoritmo inspirado en EGO; presenta tres variantes del algoritmo (XEGO, REGO y NEGO) y compara su desempeño frente al programa SPACE (una implementación de EGO desarrollada en C++).
