Bayesiansk multi-objektiv optimering — Surrogate-assisteret Pareto-frontsøgning med usikkerhedskvantificering
Bayesiansk multi-objektiv optimering (BMOO/MOBO) anvender Gaussiske proces-surrogatmodeller til at approksimere flere dyre objektivfunktioner og styrer søgningen mod Pareto-fronten med minimale reelle evalueringer. Ved at kvantificere forudsigelses-usikkerhed ved hvert kandidatpunkt, balancerer den udforskning af ukendte områder mod udnyttelse af lovende løsninger, hvilket gør den særligt kraftfuld, når hver funktions-evaluering er beregningsmæssigt eller eksperimentelt kostbar.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/da/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.
- Bayesiansk optimeringOptimering↔ compare
- Multi-Objective OptimizationSimulering↔ compare
- Stokastisk Multi-Objektiv OptimeringSimulering↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →