تسعى العديد من المجالات العلمية والهندسية للاستفادة من تقنيات التحسين، وخاصةً عند التعامل مع المشاكل المعقدة التي تتطلب تقييمات مكلفة للأهداف. هنا يأتي دور تأخير تقييم الأهداف في تبسيط العملية، حيث يؤدي هذا التأخير إلى عواقبين مهمتين: الأول هو أن تقييم الأهداف يسهم بشكل كبير في وقت التنفيذ، والثاني هو ضرورة استخدام الخوارزميات الفعالة لتسريع التطور وتجنب إهدار الموارد.

يعتبر تحسين بايزي (Bayesian Optimization) الخيار الافتراضي للمخططين الذين يسعون لاقتراح النقاط التالية التجريبية. ولكن، بدلاً من الاعتماد على تقديرات نقطية لتكييف معلمات النموذج البديل، اقترحت الدراسة استخدام نهج بايزي شامل يمكنه حساب متوسط النموذج ليأخذ في الاعتبار عدم اليقين حول المعلمات. إلا أن هذه الطرق غالبًا ما تكون مكلفة للغاية ونادراً ما تُستخدم.

الآن، نقدم لكم ELF-BO، الخوارزمية الثورية التي تستفيد من زمن تقييم الأهداف لبدء حساب المقترحات الجديدة. باستخدام ELF-BO، يمكننا عينة من التوزيع الخلفي للمعلمات أثناء تقييم الهدف، مما يسمح بتقليل التكاليف الزمنية المتعلقة باتخاذ القرار.

من خلال تجارب متنوعة على وظائف اصطناعية وتطبيقات واقعية، أثبتت ELF-BO أنها تتماشى مع أداء الطرق البايزية الشاملة، بينما تحتفظ بتكاليف زمنية أفضل أو مساوية لتلك المتبعة في تحسين بايزي القياسي. مما يجعل تحسين بايزي شامل أكثر قابلية للتطبيق في الاستخدامات الواقعية.

إذا كنت تبحث عن طريقة لتعزيز أداء نظامك وتحقيق نتائج أكثر دقة، فلا تبحث بعيدًا! هل تتوقع أن تتبنى تقنيات مثل ELF-BO في مجالاتك؟ شارك رأيك في التعليقات!