Bayesovská víceobjektivní optimalizace — Prohledávání Pareto hranice s podporou surogátních modelů a kvantifikací nejistoty
Bayesovská víceobjektivní optimalizace (BMOO/MOBO) využívá surogátní modely gaussovských procesů k aproximaci vícenásobných nákladných objektivních funkcí a řídí hledání směrem k Pareto hranici s minimálním počtem skutečných vyhodnocení. Kvantifikací predikční nejistoty v každém kandidátském bodě vyvažuje průzkum neznámých oblastí s využíváním slibných řešení, což ji činí obzvláště účinnou, když je každé vyhodnocení funkce výpočetně nebo experimentálně nákladné.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/cs/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.
- Bayesovská optimalizaceOptimalizace↔ compare
- Víc Cílová OptimalizaceSimulace↔ compare
- Stochastická multikriteriální optimalizaceSimulace↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →