DOI: https://doi.org/10.3390/a19050361
تاريخ النشر: 2026-05-04
المؤلف: Muhammad Amir Saeed وآخرون
الموضوع الرئيسي: أبحاث خوارزميات اللصوص المتقدمة
نظرة عامة
تقدم البحث MNL-BO، وهي طريقة تحسين بايزي تعتمد على التفضيلات مصممة لمعالجة قيود النماذج البديلة القياسية المعتمدة على العمليات الغاوسية في التعامل مع المساحات البحثية الفئوية والمختلطة. من خلال استخدام نموذج بديل لوجستي متعدد الحدود تم تدريبه من خلال المقارنات الزوجية، يقدم MNL-BO تقديرات منفعة قابلة للتفسير للبدائل الفئوية ويجمع بفعالية بين المتغيرات المستمرة، والمتقطعة، والفئوية ضمن إطار عمل واحد.
تسلط الدراسة الضوء على التحديات التي تطرحها طرق التحسين التقليدية التي غالبًا ما تتطلب نوى أو ترميزات متخصصة للبيانات الفئوية. يتغلب MNL-BO على هذه التحديات من خلال توفير نهج موحد يسهل تحسينًا مدفوعًا بالتفضيلات، وتقدير المنفعة، وقياس عدم اليقين. تظهر التقييمات التجريبية أن MNL-BO يحقق نتائج تنافسية ضد تقنيات تحسين متنوعة، بما في ذلك البحث العشوائي والطرق الميتاهيرستية، عبر مشاكل مرجعية مثل مشكلة بائع المتجول ومهام الهندسة ذات المتغيرات المختلطة. تشير النتائج إلى أن MNL-BO لا يعزز فقط أداء التحسين ولكن أيضًا يضمن تقاربًا مستقرًا واستكشافًا فعالًا لمساحات البحث المعقدة.
طرق
في هذا القسم، يصف المؤلفون إعداد التجربة المستخدم لتقييم إطار العمل المقترح عبر ثلاث مشاكل مرجعية. تتضمن المنهجية تطبيق الإطار بشكل منهجي على كل مشكلة لتقييم فعاليته ومقاييس الأداء. يتم توضيح تفاصيل محددة بشأن الظروف التجريبية، بما في ذلك المعلمات والتكوينات المستخدمة، لضمان إمكانية التكرار والوضوح في عملية التقييم.
من المتوقع أن توفر النتائج المستمدة من هذه التجارب رؤى حول قدرات الإطار وقيوده، مما يساهم في فهم أعمق لمدى قابليته للتطبيق في سياقات متنوعة. ستكون النتائج حاسمة للتحقق من صحة النهج المقترح ومقارنته مع الطرق الحالية في هذا المجال.
مناقشة
يناقش القسم تطوير وتقييم إطار تحسين بايزي يعتمد على التفضيلات، يسمى MNL-BO، والذي يستخدم نموذج بديل لوجستي متعدد الحدود. على عكس الطرق التقليدية التي تقوم بنمذجة القيم الموضوعية الخام، يركز MNL-BO على تعلم التفضيلات بين تكوينات المرشحين، مما يسمح له بالتنقل بفعالية في كل من المساحات البحثية الفئوية والمختلطة. تم اختبار الإطار على مجموعة متنوعة من المعايير المرجعية للتحسين، بما في ذلك مشكلة بائع المتجول (TSP) ومشكلة تصميم وعاء الضغط، مما يظهر قدرته على التعامل مع التحديات الهندسية والتركيبية المعقدة.
في دراسة الحالة الخاصة بـ TSP، نجح MNL-BO في تحديد أقصر جولة بين ترتيبات 15 مدينة أمريكية، باستخدام تقنيات توليد المرشحين مثل 2-opt والترتيبات العشوائية. بالنسبة لتصميم وعاء الضغط، تمكنت الطريقة من إدارة مزيج من المتغيرات المستمرة، والمتقطعة، والفئوية، مما يبرز مرونتها. تشير النتائج إلى أن MNL-BO لا يحقق فقط أداءً تنافسيًا ولكنه أيضًا يظهر تقاربًا مستقرًا واستكشافًا فعالًا عبر سيناريوهات تحسين متنوعة، كل ذلك مع الحفاظ على القابلية للتفسير والمرونة دون الحاجة إلى نوى متخصصة أو ترميزات مخصصة.
DOI: https://doi.org/10.3390/a19050361
Publication Date: 2026-05-04
Author(s): Muhammad Amir Saeed et al.
Primary Topic: Advanced Bandit Algorithms Research
Overview
The research introduces MNL-BO, a preference-based Bayesian optimization method designed to address the limitations of standard Gaussian-process surrogates in handling categorical and mixed-variable search spaces. By employing a multinomial logit surrogate trained through pairwise comparisons, MNL-BO offers interpretable utility estimates for categorical alternatives and effectively integrates continuous, discrete, and categorical variables within a single framework.
The study highlights the challenges posed by traditional optimization methods that often necessitate specialized kernels or encodings for categorical data. MNL-BO overcomes these challenges by providing a unified approach that facilitates preference-driven optimization, utility estimation, and uncertainty quantification. Empirical evaluations demonstrate that MNL-BO achieves competitive results against various optimization techniques, including random search and metaheuristics, across benchmark problems such as the Traveling Salesman Problem and mixed-variable engineering tasks. The findings suggest that MNL-BO not only enhances optimization performance but also ensures stable convergence and effective exploration of complex search spaces.
Methods
In this section, the authors describe the experimental setup used to evaluate their proposed framework across three benchmark problems. The methodology involves systematically applying the framework to each problem to assess its effectiveness and performance metrics. Specific details regarding the experimental conditions, including the parameters and configurations utilized, are outlined to ensure reproducibility and clarity in the evaluation process.
The results obtained from these experiments are expected to provide insights into the framework’s capabilities and limitations, contributing to a deeper understanding of its applicability in various contexts. The findings will be crucial for validating the proposed approach and comparing it against existing methods in the field.
Discussion
The section discusses the development and evaluation of a preference-based Bayesian optimization framework, termed MNL-BO, which utilizes a multinomial logit surrogate model. Unlike traditional methods that model raw objective values, MNL-BO focuses on learning preferences between candidate configurations, allowing it to effectively navigate both categorical and mixed-variable search spaces. The framework was tested on various optimization benchmarks, including the Traveling Salesman Problem (TSP) and a pressure vessel design problem, demonstrating its capability to handle complex combinatorial and engineering challenges.
In the TSP case study, MNL-BO successfully identified the shortest tour among permutations of 15 U.S. cities, employing candidate generation techniques such as 2-opt and random permutations. For the pressure vessel design, the method managed a mix of continuous, discrete, and categorical variables, showcasing its versatility. The results indicate that MNL-BO not only achieves competitive performance but also exhibits stable convergence and effective exploration across diverse optimization scenarios, all while maintaining interpretability and flexibility without the need for specialized kernels or custom encodings.