GPyOpt -如何运行物理实验？

Question

我正在尝试做一些物理实验，以找到一个能优化一些参数的配方。通过物理实验，我的意思是我有一个化学实验台，我把东西混合在一起，然后测量配方的性质。在历史上，我一直使用传统的to，但我需要加快我的时间，以达到理想的配方。我知道单纯形优化，但我对尝试贝叶斯优化很感兴趣。我发现了GPyOpt，它声称(甚至在SO标签描述中)支持物理实验。然而，目前还不清楚如何启用这种行为。

我尝试过的一件事是通过input收集用户输入，我想我可以选择优化器和函数，但这感觉很笨拙。在下面的示例代码中，我使用了GPyOpt示例中的函数，但我必须键入实际值。

from GPyOpt.methods import BayesianOptimization
import numpy as np


# --- Define your problem
def f(x):
    return (6*x-2)**2*np.sin(12*x-4)


def g(x):
    print(f(x))
    return float(input("Result?"))


domain = [{'name': 'var_1', 'type': 'continuous', 'domain': (0, 1)}]

myBopt = BayesianOptimization(f=g,
                              domain=domain,
                              X=np.array([[0.745], [0.766], [0], [1], [0.5]]),
                              Y=np.array([[f(0.745)], [f(0.766)], [f(0)], [f(1)], [f(0.5)]]),
                              acquisition_type='LCB')
myBopt.run_optimization(max_iter=15, eps=0.001)

所以，我的问题是，使用GPyOpt进行物理实验的目的是什么？

Answer 1

几件事。

首先，设置f=None。请注意，如果您碰巧正在使用maximize=True，这会导致BO对象忽略它。

其次，您需要suggest_next_locations，而不是使用run_optimization。前者运行整个优化，而后者只运行一次迭代。此方法返回一个带有参数组合(“location”)的向量，以便在实验室中进行测试。

第三，您需要对批处理大小做出一些决定。您获得的组合/位置的数量由用于初始化BayesianOptimization对象的batch_size参数控制。采集函数的选择在这里很重要，因为有些函数与1的batch_size密切相关。如果您需要更大的批次，则需要阅读文档中适合您情况的组合(例如acquisition_type=EI和evaluator_type=local_penalization )。

第四，您需要显式地管理迭代之间的数据。至少有两种方法可以解决这个问题。一种方法是对BO对象进行pickle，并向其中添加更多数据。另一种我认为更优雅的方法是每次都创建一个完全新鲜的BO对象。在实例化它时，将新数据连接到旧数据，然后在整个集合上运行一次迭代(同样，使用suggest_next_locations)。如果你使用BO来优化silico中的函数，这可能有点疯狂，但考虑到化学步骤可能会有多慢，这可能是最干净的(也更容易进行中途修正)。

希望这能有所帮助！