发表机构
Gebze Technical University; University of Amsterdam（Gebze技术大学; 阿姆斯特丹大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
研究在约束函数未知且不可查询时的约束优化问题，提出动态约束学习（DCL）框架，通过学习局部代理在数据支持的信赖域内解决子问题，相比全局约束学习更具优势，在合成测试和案例研究中展现良好性能。
AI 中文摘要
我们提出了动态约束学习（DCL），这是一个数据驱动框架，用于在约束函数未知且优化期间无法查询时进行约束优化。每次迭代时，该方法从附近数据学习局部代理，并在数据支持的信赖域内解决子问题。与离线全局约束学习相比，此方法使用的局部代理在优化期间适应数据分布，能以更简单的局部模型和更小的优化子问题实现与全局模型相当的解质量。我们在一个合成测试问题和文献中的两个案例研究上展示了DCL的性能。
英文摘要
We propose Dynamic Constraint Learning (DCL), a data-driven framework for constrained optimization when constraint functions are unknown and cannot be queried during optimization. At each iteration, the method learns a local surrogate from nearby data and solves a subproblem within a data-supported trust region. Compared with offline global constraint learning, the approach uses local surrogates that adapt to the data distribution during optimization and can achieve solution quality comparable to that of global models while using simpler local models and smaller optimization subproblems. We demonstrate the performance of DCL on a synthetic test problem and two case studies from the literature.
