Optimització bayesiana multiobjectiu — Cerca de la frontera de Pareto assistida per substituts amb quantificació d'incertesa
L'optimització bayesiana multiobjectiu (BMOO/MOBO) utilitza models substituts de procés Gaussians per aproximar múltiples funcions objectiu costoses i guia la cerca cap a la frontera de Pareto amb un mínim d'avaluacions reals. Quantificant la incertesa de la predicció a cada punt candidat, equilibra l'exploració de regions desconegudes amb l'explotació de solucions prometedores, fent-la especialment potent quan cada avaluació de funció és computacionalment o experimentalment costosa.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/ca/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.
- Optimització bayesianaOptimització↔ compare
- Optimitació MultiobjectiuSimulació↔ compare
- Optimització Estocàstica MultiobjectiuSimulació↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →