Bayesian Mixed-Integer Programming — Surrogate-Assisted Optimization über gemischt-ganzzahlige Suchräume
Bayesian Mixed-Integer Programming (BO-MIP) kombiniert ein probabilistisches Surrogatmodell – typischerweise ein Gauß-Prozess – mit einem gemischt-ganzzahligen Programmierungs-Solver, um teure Black-Box-Zielfunktionen, die über Räume mit sowohl kontinuierlichen als auch diskreten oder ganzzahligen Entscheidungsvariablen definiert sind, effizient zu optimieren. Es ist besonders wertvoll, wenn jede Funktionsauswertung kostspielig ist und eine erschöpfende Suche nicht durchführbar ist.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Mixed-Integer Programming — Surrogate-Assisted Optimization over Mixed-Integer Search Spaces. ScholarGate. https://scholargate.app/de/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.
- Bayesian OptimizationOptimierung↔ compare
- Mixed-Integer ProgrammingSimulation↔ compare
- Multi-Objective Mixed-Integer ProgrammingSimulation↔ compare
- Robuste gemischt-ganzzahlige ProgrammierungSimulation↔ compare
- Stochastische Gemischt-Ganzzahlige ProgrammierungSimulation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →