贝叶斯优化中的约束- MATLAB & Simulink金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

贝叶斯优化的约束

界限

bayesopt要求所有变量都有有限的界限。（分类自然界是在可能的值中界定的变量。）通过真实和整数变量的下限和上限optimizableVariable．

bayesopt使用这些边界到样本点，无论是一致的还是对数比例的。你设置采样的比例optimizableVariable．

例如，约束一个变量X1到价值观1 e-6和1 e3按比例缩小的对数,

XVAR =优化不变（X1的(1 e-6, 1 e3),“转换”，“日志”）

bayesopt在其范围内包含端点。因此，不能使用0作为对数转换变量的下界。

提示

若要在经过对数变换的变量中使用零下界，请将下界设为1，然后在目标函数内使用x - 1．

确定性约束 -`XConstraintFcn`

有时你的问题是有效的或定义良好的，只对特定区域的点，称为可行域．确定性约束是返回的确定性函数真的当一个点是可行的，而且假当一个点是不可行的。所以确定性约束不是随机的，它们不是一组点的函数，而是单个点的函数。

提示

它的使用效率更高optimizableVariable边界，而不是确定性约束，将优化限制在一个矩形区域。

使用签名编写确定性约束函数

tf = xconstraint (X)

X是任意高度的宽度- d表。
特遣部队是一个逻辑列向量，在哪里特遣部队(i) = true什么时候X(我,:)是可行的。

传递确定性约束函数bayesoptXConstraintFcn名称-值对。例如,

结果= bayesopt(乐趣、var XConstraintFcn, @xconstraint)

bayesopt计算数千个点上的确定性约束，因此当约束函数向量化时运行得更快。看到向量化．

例如，假设命名的变量x1的和“x2”当向量的范数是可行的(x1, x2))小于6,当x1 < = x2．下面的约束函数计算这些约束。

函数tf1 =√(X.x1. X)^2 + X.x2.^2) < 6;tf2 = x <= x;Tf = tf1 & tf2;

有条件的约束,`ConditionalVariableFcn`

条件约束是执行以下两个条件之一的函数:

当某些变量具有某些值时，其他变量被设置为给定值。
当一些变量具有特定的值时，其他变量具有南或者，对于分类变量，<定义>值。

通过设置来指定条件约束bayesoptConditionalVariableFcn例如，函数句柄的名称-值对@condvariablefcn．这@condvariablefcn功能必须具有签名

Xnew = condvariablefcn (X)

X是一个宽度,D任意高度的表。
Xnew表的类型和大小是否相同X．

condvariablefcn集Xnew等于X的每一行中设置相关变量Xnew得到约束的正确值。

请注意

如果既有条件约束又有确定性约束，bayesopt首先应用条件约束。因此，如果您的条件约束函数可以设置变量为南或者<定义>，确保您的确定性约束函数可以正确处理这些值。

条件约束确保可变值是明智的。所以，bayesopt首先应用条件约束，以便所有传递的值都是明智的。

设置变量值的条件约束

假设您正在使用fitcdiscr.，你对这两个“DiscrimType”和“伽马”名称-值对参数。当“DiscrimType”是一种二次型，“伽马”必须0或者求解误差。在这种情况下，使用这个条件约束函数:

函数XTable = fitcdiscrCVF (XTable)如果discrim类型是二次型，%必须为0XTable.Gamma (ismember (XTable。DiscrimType, {'二次'，．..“diagQuadratic”，“pseudoQuadratic”})) = 0;结束

设置变量的条件约束`南`

假设您正在使用fitcsvm.，你对这两个“KernelFunction”和“PolynomialOrder”名称-值对参数。当“KernelFunction”不是多项式的,“PolynomialOrder”设置不适用。下面的函数强制执行这个条件约束。

函数Xnew = condvariablefcn(X) Xnew = X;Xnew.PolynomialOrder (Xnew。KernelFunction ~ =多项式的) =南;

您可以保存一行代码如下:

函数X = condvariablefcn(X)KernelFunction ~ =多项式的) =南;

此外，定义一个目标函数，不传递“PolynomialOrder”的名称-值对参数fitcsvm.当价值“PolynomialOrder”是南．

有趣= @ (X) mysvmfun (X,预测反应,c)函数mysvmfun(X,predictors,response,c) = {predictors,response，．..“CVPartition”c．..“KernelFunction”X.KernelFunction};如果~isnan(x .多项式顺序)args = [args，{“PolynomialOrder”，x.polynomialorder};结束目标= kfoldLoss (fitcsvm (args {:}));结束

耦合约束

耦合约束是通过调用目标函数，只能评估您的约束。这些约束可以是随机的或确定性的。在第二个参数中从您的目标函数中返回这些约束值。看到贝叶斯优化目标函数．

目标函数为耦合约束返回一个数值向量，每个耦合约束返回一个条目。对于每个条目，负值表示满足约束(也称为可行)。正值表示约束不满足(不可行)。

bayesopt每次运行都会自动创建称为错误约束的耦合约束。这个约束使能实现bayesopt对目标函数评价中引起误差的点进行建模。有关详细信息,请参见目标函数的错误和predictError．

如果你在Error约束之外还有耦合约束:

包括NumCoupledConstraints名称-值对bayesopt调用(必需)。不要在这个数字中包含错误约束。
如果耦合约束是随机的，则包括AreCoupledConstraintsDeterministic名称-值对和传递假对于任意随机约束。

通过设置。来观察每次迭代中的耦合约束值bayesopt详细的名称 - 值对1或者2．

请注意

当存在耦合约束时，迭代显示和绘图函数可能会给出一些违反直觉的结果，如:

一个最低目标情节可以增加。
即使它显示出早期的可行点，优化也可以宣布不可行的问题。

产生这种行为的原因是，随着优化的进行，关于某个点是否可行的决策可能会改变。bayesopt确定其约束模型的可行性，该模型更改为bayesopt评估点。因此，当最小点后来被认为不可行时，“最小目标”图可以增加，迭代显示可以显示一个后来被认为不可行的可行点。

例如，请参见耦合约束的贝叶斯优化．

耦合约束的贝叶斯优化

打开脚本

耦合约束是指只能通过评价目标函数来评价的约束。在这种情况下，目标函数是一个支持向量机模型的交叉验证损失。耦合约束是支持向量的个数不超过100。金宝app模型的细节已经在里面了利用bayesopt优化交叉验证支持向量机分类器．

创建用于分类的数据。

RNG.默认的grnpop = mvnrnd((1,0)、眼睛(2),10);redpop = mvnrnd([0, 1],眼(2),10);redpts = 0 (100 2);grnpts = redpts;为i = 1:10 0 grnpts(我:)= mvnrnd (grnpop(兰迪(10):)、眼睛(2)* 0.02);redpts(我)= mvnrnd (redpop(兰迪(10):)、眼睛(2)* 0.02);结束cdata = [grnpts; redpts];grp = 1 (200 1);grp (101:200) = 1;c = cvpartition (200“KFold”10);σ= optimizableVariable (“σ”(1 e-5, 1 e5),“转换”，“日志”）;盒= optimizableVariable (“盒子”(1 e-5, 1 e5),“转换”，“日志”）;

目标函数是SVM模型的分区的交叉验证丢失c．耦合约束是支持向量的个数减去100.5。金宝app这确保了100个支持向量给出一个负约束值，而金宝app101个支持向量给出一个正约束值。该模型有200个数据点，因此耦合约束值的范围从-99.5(总是至少有一个支持向量)到99.5。金宝app正值表示约束不满足。

函数[目的，约束] = mysvmfun（x，cdata，grp，c）svmmodel = fitcsvm（cdata，grp，“KernelFunction”，“rbf”，．..“BoxConstraint”，x.box，．..“KernelScale”，x.sigma）;cvmodel = crossval（svmmodel，“CVPartition”c);目标= kfoldLoss (cvModel);约束=总和(SVMModel.IsSupportVect金宝appor) -100.5;

通过分区c和拟合数据cdata和grp目标函数有趣的通过创建有趣的作为包含此数据的匿名函数。看到参数化功能．

有趣= @ (x) mysvmfun (x, cdata, grp, c);

设置NumCoupledConstraints来1所以优化器知道存在一个耦合约束。设置选项来绘制约束模型。

结果= bayesopt(有趣,σ,盒子,“IsObjectiveDeterministic”,真的,．..“NumCoupledConstraints”, 1“PlotFcn”，．..{@plotMinObjective, @plotConstraintModels},．..“AcquisitionFunctionName”，'预期改善加'，“详细”, 0);