Bayesianische Zielprogrammierung
Die Bayesianische Zielprogrammierung (BGP) integriert die bayesianische statistische Inferenz mit der klassischen Zielprogrammierung, um Unsicherheiten in Zielen und Parametern zu handhaben. Anstatt Zielschwellenwerte als feste Konstanten zu behandeln, kodiert die BGP diese als Wahrscheinlichkeitsverteilungen, aktualisiert Annahmen anhand beobachteter Daten und löst dann das resultierende probabilistische Optimierungsproblem, um Lösungen zu finden, die mehrere angestrebte Ziele unter Unsicherheit erfüllen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Rios Insua, D. (1990). Sensitivity Analysis in Multi-objective Decision Making. Springer-Verlag, Berlin. ISBN: 9783540528814
- Charnes, A., Cooper, W. W., & Ferguson, R. O. (1955). Optimal estimation of executive compensation by linear programming. Management Science, 1(2), 138-151. DOI: 10.1287/mnsc.1.2.138 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Goal Programming. ScholarGate. https://scholargate.app/de/simulation/bayesian-goal-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.
- Bayesian Dynamic ProgrammingSimulation↔ compare
- Bayesian Multi-Objective OptimizationSimulation↔ compare
- ZielprogrammierungEntscheidungsfindung↔ compare
- Mehrzieloptimierung – Gleichzeitige Optimierung widerstreitender ZieleSimulation↔ compare
- Robust Goal ProgrammingSimulation↔ compare
- Stochastisches ZielprogrammSimulation↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →