Bayesiansk Heltalsprogrammering — Surrogatassisteret Optimering over Søgerum med Blandede Heltal
Bayesiansk Heltalsprogrammering (BO-MIP) kobler en probabilistisk surrogatmodel – typisk en Gaussisk proces – med en heltalsløser for effektivt at optimere dyre black-box-målsætninger defineret over rum, der indeholder både kontinuerte og diskrete eller heltalsværdierede beslutningsvariable. Den er særligt værdifuld, når hver funktionsevaluering er kostbar, og udtømmende søgning er uigennemførlig.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Baptista, R., Poloczek, M. (2018). Bayesian Optimization of Combinatorial Structures. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80:462–471. link ↗
- Bonami, P., Biegler, L. T., Conn, A. R., Cornuejols, G., Grossmann, I. E., Laird, C. D., Lee, J., Lodi, A., Margot, F., Sawaya, N., Wächter, A. (2008). An algorithmic framework for convex mixed integer nonlinear programs. Discrete Optimization, 5(2), 186–204. DOI: 10.1016/j.disopt.2006.10.011 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian Mixed-Integer Programming — Surrogate-Assisted Optimization over Mixed-Integer Search Spaces. ScholarGate. https://scholargate.app/da/simulation/bayesian-mixed-integer-programming
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.
- Bayesiansk optimeringOptimering↔ compare
- Blandet-heltallig programmeringSimulering↔ compare
- Multi-Objective Mixed-Integer ProgrammingSimulering↔ compare
- Robust Mixed-Integer ProgrammingSimulering↔ compare
- Stokastisk HeltalsprogrammeringSimulering↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →