噪声优化问题没有很好地解决（由mlrMBO）

我试图最小化一个简单的噪声函数：

function(x,prec=10){x^2+rnorm(1)/(prec)}

噪声适中，也就是说，在0时很容易找到最佳值。

我认为重要的是，噪音是独立的，也就是说，反复评估同一点会使你更接近真实的（无声的）价值。优化器可以利用这一点。但是我不知道怎么做

我在R中使用

mlrMBO

进行优化，但没有得到好的结果。下面的代码估计最小值为0.032，增加

iters

似乎根本无法改善结果

library(mlrMBO)
f1<-function(x,prec=10){x^2+rnorm(1)/(prec)}
obj.fun = makeSingleObjectiveFunction(name = "noisy_parable", fn = f1,  par.set = makeNumericParamSet("x", 1, -3, 3), noisy = TRUE)
ctrl = makeMBOControl(final.method = "best.predicted", final.evals = 1)
ctrl = setMBOControlInfill(ctrl, crit = crit.eqi)
ctrl = setMBOControlTermination(ctrl, iters = 10)
configureMlr(on.learner.warning = "quiet", show.learner.output = FALSE)
set.seed(1)
res = mbo(obj.fun, control = ctrl, show.info = FALSE)
print(res$x)

库（mlrMBO）
F1你能发布一个完整的例子，允许复制行为吗？当然，在我的编辑后，大区块中的代码应该足以复制0.032，你认为结果是否足够好？你可以针对这个特定问题调整代理学习者的某些MBO参数或超参数，但这对你不知道真正最佳值的新的真正黑盒函数有什么帮助？考虑到你添加的噪声量，结果似乎并不那么糟糕，也就是说，标准差是0.1，你离这越来越近了。我不认为你能在这方面有显著的改进。除此之外：试着做一个t.测试
f（0.1）
是否比
f（0）
更差。我没有做那后面的计算，但你大概需要23个样本。所以你需要更多的评估。一种简单的方法是评估函数，例如10次，然后返回平均值。