Skip to Main content Skip to Navigation
Theses

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.
Document type :
Theses
Complete list of metadatas

Cited literature [125 references]  Display  Hide  Download

https://hal.archives-ouvertes.fr/tel-01332549
Contributor : Abes Star :  Contact
Submitted on : Friday, December 15, 2017 - 2:06:27 PM
Last modification on : Wednesday, June 24, 2020 - 4:19:11 PM

File

mohammadi-hossein-diff.pdf
Version validated by the jury (STAR)

Identifiers

  • 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⟩

Share

Metrics

Record views

938

Files downloads

1431