Abstract
This paper addresses the issue of adaptive global optimization using Kriging metamodel known as EGO(Efficient Global Optimization). The algorithm adaptively chooses where to generate subsequent samples based on an explicit trade-off between reduction of global uncertainty and exploration of the region of the interest. A strategy that saves the computational cost by using expectations derived from probabilistic nature of approximate model is proposed. At every iteration, a candidate test point that seems to be feasible/inactive or has little possibility to improve for minimum is identified and excluded from updating approximate models. By doing that the computational cost is saved without loss of accuracy.
본 논문은 Kringing 근사모델이 제공하는 확률정보를 이용하여 순차적으로 전역 최적해를 찾는 내용을 담고 있다. 적응 전역 최적화란 소수의 실험 점으로 구성한 근사모델의 예측 값과 불확실성을 고려하여 다음 실험 점을 찾고, 이를 이용하여 근사모델을 개선함으로써 순차적으로 해를 찾는 방식이다. 본 연구에서는 근사모델에서 도출한 기대값을 이용하여 개선시킬 필요가 없는 구속함수나 목적함수를 식별함으로써 계산효율을 증대시키는 기법을 제안한다. 다음 단계의 후보 실험점이 유용영역의 비활성일 가능성이 있을 경우 또는 목적함수를 개선시킬 가능성이 희박할 경우, 이 점은 근사함수를 개선하는 데 사용하지 않았다. 본 기법을 비선형성이 강한 시험문제에 적용한 결과, 제안하는 기법이 정밀도는 보장하면서 계산 효율을 증대시키는 것을 확인할 수 있었다.