Kriging-based black-box global optimization : analysis and new algorithms

Résumé : L’«Efficient Global Optimization» (EGO) est une méthode de référence pour l’optimisation globale de fonctions «boites noires» coûteuses. Elle peut cependant rencontrer quelques difficultés, comme le mauvais conditionnement des matrices de covariance des processus Gaussiens (GP) qu’elle utilise, ou encore la lenteur de sa convergence vers l’optimum global. De plus, le choix des paramètres du GP, crucial car il contrôle la famille des fonctions d’approximation utilisées, mériterait une étude plus poussée que celle qui en a été faite jusqu’à présent. Enfin, on peut se demander si l’évaluation classique des paramètres du GP est la plus appropriée à des fins d’optimisation. \\Ce travail est consacré à l'analyse et au traitement des différentes questions soulevées ci-dessus.La première partie de cette thèse contribue à une meilleure compréhension théorique et pratique de l’impact des stratégies de régularisation des processus Gaussiens, développe une nouvelle technique de régularisation, et propose des règles pratiques. Une seconde partie présente un nouvel algorithme combinant EGO et CMA-ES (ce dernier étant un algorithme d’optimisation globale et convergeant). Le nouvel algorithme, nommé EGO-CMA, utilise EGO pour une exploration initiale, puis CMA-ES pour une convergence finale. EGO-CMA améliore les performances des deux algorithmes pris séparément. Dans une troisième partie, l’effet des paramètres du processus Gaussien sur les performances de EGO est soigneusement analysé. Finalement, un nouvel algorithme EGO auto-adaptatif est présenté, dans une nouvelle approche où ces paramètres sont estimés à partir de leur influence sur l’efficacité de l’optimisation elle-même.
Type de document :
Thèse
Other. Université de Lyon, 2016. English. 〈NNT : 2016LYSEM005〉
Liste complète des métadonnées

Littérature citée [125 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/tel-01332549
Contributeur : Abes Star <>
Soumis le : vendredi 15 décembre 2017 - 14:06:27
Dernière modification le : samedi 15 décembre 2018 - 03:27:40

Fichier

mohammadi-hossein-diff.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01332549, version 2

Collections

Citation

Hossein Mohammadi. Kriging-based black-box global optimization : analysis and new algorithms. Other. Université de Lyon, 2016. English. 〈NNT : 2016LYSEM005〉. 〈tel-01332549v2〉

Partager

Métriques

Consultations de la notice

628

Téléchargements de fichiers

636