[发明专利]基于黑盒优化的业务优化实现方法和系统

说明书

本公开提供了一种基于黑盒优化的业务优化实现方法，包括：接收业务场景的优化目标；将该优化目标抽象为黑盒优化问题并确定黑盒优化问题的参数空间；在该参数空间中进行全局搜索以获取多个相对较优解；将多个相对较优解分别作为零阶优化的起始点以寻找相应的局部更优解；将相应的局部更优解迭代收敛至全局最优解；以及将该全局最优解应用于业务场景以实现业务优化。

技术领域

本公开主要涉及优化问题，尤其涉及黑盒优化的应用。

背景技术

当今的生产生活中有很多问题都可以看作最优化（Optimization）问题，比如路由计算和资源调度、机器学习中的参数训练等等。

基于梯度的传统优化方法不适用于目标函数表达式未知、难以获取梯度信息或者梯度信息高度不可信的黑盒优化场景。黑盒优化场景无法利用优化目标的本身特性求得其全局最优解，也无法直接利用参数的梯度信息，由此往往很难快速求解到全局最优解。

因此，面对应用黑盒优化的业务场景，本领域需要采样效率高、并且具备全局优化能力的业务优化方案。

发明内容

为解决上述技术问题，本公开提供了一种基于黑盒优化的业务优化方案，其在面对非凸、多局部最优问题时，既能通过快速搜索获得相对较优解，又能迅速跳出局部较优而达成全局优化，从而提高采样效率、实现全局优化。

在本公开一实施例中，提供了一种基于黑盒优化的业务优化实现方法，包括：接收业务场景的优化目标；将优化目标抽象为黑盒优化问题并确定黑盒优化问题的参数空间；在参数空间中进行全局搜索以获取多个相对较优解；将多个相对较优解分别作为零阶优化的起始点以寻找相应的局部更优解；将相应的局部更优解迭代收敛至全局最优解；以及将全局最优解应用于业务场景以实现业务优化。

在本公开另一实施例中，在参数空间中进行全局搜索以获取多个相对较优解通过协方差矩阵自适应优化策略实现。

在本公开又一实施例中，在参数空间中进行全局搜索以获取多个相对较优解通过贝叶斯优化实现。

在本公开另一实施例中，在参数空间中进行全局搜索以获取多个相对较优解通过随机搜索实现。

在本公开又一实施例中，将相应的局部更优解迭代收敛至全局最优解包括：将相应的局部更优解构成新的搜索空间；在新的搜索空间中进行全局搜索以获取多个相对较优解；将多个相对较优解分别作为零阶优化的起始点以寻找局部更优解；以及迭代直至获得全局最优解。

在本公开另一实施例中，将相应的局部更优解迭代收敛至全局最优解通过协方差矩阵自适应优化策略结合零阶优化实现。

在本公开又一实施例中，将相应的局部更优解迭代收敛至全局最优解通过贝叶斯优化结合零阶优化实现。

在本公开另一实施例中，将相应的局部更优解迭代收敛至全局最优解通过两阶零阶优化实现。

在本公开一实施例中，提供了一种基于黑盒优化的业务优化实现系统，包括：接收模块，接收业务场景的优化目标；初始化模块，将优化目标抽象为黑盒优化问题并确定黑盒优化问题的参数空间；搜索模块，在参数空间中进行全局搜索以获取多个相对较优解；优化模块，将多个相对较优解分别作为零阶优化的起始点以寻找相应的局部更优解，并且将相应的局部更优解迭代收敛至全局最优解；以及应用模块，将全局最优解应用于业务场景以实现业务优化。

在本公开一实施例中，提供了一种存储有指令的计算机可读存储介质，当这些指令被执行时使得机器执行如前所述的方法。

提供本概述以便以简化的形式介绍以下在详细描述中进一步描述的一些概念。本概述并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于限制所要求保护主题的范围。

附图说明