- 博客(4)
- 收藏
- 关注
RSS订阅原创 条件扩散模型，基于信息熵加权权重
本文系统阐述了扩散模型的数学原理与基于信息熵的加权权重如何引导扩散模型的反向生成过程。首先解析了高斯分布的核心参数（均值μ和协方差Σ），并推导了扩散模型的正向过程（逐步加噪）和反向过程（逐步去噪）的数学表达式。重点介绍了基于贝叶斯公式的反向过程推导，展示了如何通过固定方差项简化神经网络训练。基于信息熵的目标权重自适应方法，通过计算Shannon熵评估目标信息分散度，实现权重的动态分配。最后，将信息熵加权梯度引入扩散模型的反向过程，形成确定性引导项与随机噪声的协同机制，实现早期强引导、后期自然收敛的优化效果。
2025-10-26 21:22:07
1037
原创 基于扩散模型的昂贵多目标贝叶斯优化
本文提出了一种基于扩散模型的多目标贝叶斯优化方法CDM-PSL，通过将扩散模型融入帕累托集学习框架，有效解决了昂贵多目标优化问题。首先，该方法基于移位的密度估计生成高质量解集，并利用扩散模型学习高质量帕累托解的分布特征而非逼近目标函数，通过前向扩散和反向去噪过程生成新解，并结合基于信息熵的加权梯度设计条件生成策略，以加权梯度引导优化方向。并基于条件生成策略中得到的高收敛特性个体，以及无条件策略中的多样性探索个体，共同优化。相比传统法在收敛速度和多样性方面具有优势，为昂贵多目标优化提供新的生成式建模思路。
2025-10-26 18:00:00
1330
原创 论文导读——深度强化学习辅助代理模型管理用以昂贵约束多目标优化
本文对深度强化学习辅助代理模型管理用以昂贵约束多目标优化算法进行(DRL-SAEA)，方便读者了解这篇文献。该文献用以解决昂贵约束多目标问题。针对现有方法在处理复杂约束时存在自适应性不足的问题，该算法创新性地采用三种并行代理建模策略（分别侧重收敛性、约束满足和多样性），并引入深度强化学习技术动态选择最优策略。通过构建状态表征（收敛度、多样性、可行性等）和基于超体积改进的奖励机制，算法能自主感知优化进程并做出智能决策。
2025-10-19 13:13:25
1364
原创 贝叶斯优化-多目标贝叶斯优化
本文系统阐述贝叶斯优化（Bayesian Optimization, BO）的核心原理与算法框架。作为一种序列决策策略，BO专门用于解决目标函数评估成本高、缺乏解析表达式（即黑箱函数）的全局优化问题。主要内容包括：首先明确BO的优化问题形式化定义，然后深入解析其两大核心组件——代理模型（Surrogate Model）和采集函数（Acquisition Function），最后详细呈现BO的标准算法流程，为后续讨论其多目标场景扩展提供理论基础。
2025-10-18 16:15:36
2220
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人