Bayesian Adaptive Direct Search (BADS) 优化算法教程-CSDN博客

本文链接：https://blog.csdn.net/gitblog_00099/article/details/139517916

Bayesian Adaptive Direct Search (BADS) 优化算法教程

bads Bayesian Adaptive Direct Search (BADS) optimization algorithm for model fitting in MATLAB 项目地址: https://gitcode.com/gh_mirrors/ba/bads

1. 项目介绍

Bayesian Adaptive Direct Search (BADS) 是一个快速混合贝叶斯优化算法，专门设计用于解决困难的优化问题，特别是与拟合计算模型（例如通过最大似然估计）相关的问题。BADS 最初在 NeurIPS 2017 上发表，并在行为、认知和神经模型拟合中得到了广泛测试，目前被全球许多计算实验室使用。

BADS 在处理无梯度信息且目标函数非解析或噪声（例如通过数值近似或模拟评估）的情况下表现出色。它不需要特定调整，可以直接运行，类似于 MATLAB 中的其他内置优化器，如 fminsearch。

2. 项目快速启动

安装

下载最新版本的 BADS 作为 ZIP 文件。
解压或克隆仓库到你希望的位置。
运行 install.m 脚本，这将把 BADS 基础文件夹添加到 MATLAB 搜索路径。
运行 bads('test') 以检查是否一切正常。

基本使用

BADS 的接口类似于其他 MATLAB 优化器。以下是基本用法：

[X, FVAL] = bads(FUN, X0, LB, UB, PLB, PUB)

FUN: 目标函数句柄，通常是给定输入参数向量的数据和模型的负对数似然。
X0: 优化的起始点（行向量）。
LB 和 UB: 硬性上下界。
PLB 和 PUB: 合理上下界，即你期望找到几乎所有解决方案的盒子。

输出参数：

X: 找到的最优解。
FVAL: 在最优解处的（估计）函数值。

示例代码

以下是一个简单的示例代码：

% 定义目标函数
FUN = @(x) (1-x(1))^2 + 100*(x(2)-x(1)^2)^2;

% 设置初始点
X0 = [0, 0];

% 设置硬性上下界
LB = [-5, -5];
UB = [5, 5];

% 设置合理上下界
PLB = [-2, -2];
PUB = [2, 2];

% 运行 BADS 优化
[X, FVAL] = bads(FUN, X0, LB, UB, PLB, PUB);

% 输出结果
disp('最优解:');
disp(X);
disp('最优解处的函数值:');
disp(FVAL);