Байесова многоцелева оптимизация — търсене на Парето граница с помощта на сурогатни модели и количествена оценка на неопределеността
Байесовата многоцелева оптимизация (BMOO/MOBO) използва сурогатни модели на Гаусови процеси за апроксимиране на множество скъпи целеви функции и насочва търсенето към Парето границата с минимален брой реални оценки. Чрез количествена оценка на неопределеността на предвиждането във всяка кандидат-точка, тя балансира изследването на непознати региони срещу експлоатацията на обещаващи решения, което я прави особено мощна, когато всяка оценка на функция е изчислително или експериментално скъпа.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Svenson, J., Santner, T. (2016). Multiobjective optimization of expensive-to-evaluate deterministic computer simulator models. Computational Statistics & Data Analysis, 94, 250-264. DOI: 10.1016/j.csda.2015.08.011 ↗
- Emmerich, M., Giannakoglou, K., Naujoks, B. (2006). Single- and multiobjective evolutionary optimization assisted by Gaussian random field metamodels. IEEE Transactions on Evolutionary Computation, 10(4), 421-439. DOI: 10.1109/TEVC.2005.859463 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/bg/simulation/bayesian-multi-objective-optimization
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Байесовска оптимизацияОптимизация↔ compare
- Многоцелева оптимизацияСимулационно моделиране↔ compare
- Стохастична многокритериална оптимизацияСимулационно моделиране↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →