Bayessche Multi-Objektive Optimierung – Surrogat-gestützte Pareto-Front-Suche mit Unsicherheitsquantifizierung
Die Bayessche Multi-Objektive Optimierung (BMOO/MOBO) verwendet Gaußsche Prozess-Surrogatmodelle, um mehrere aufwändige Zielfunktionen zu approximieren und die Suche mit minimalen realen Evaluierungen in Richtung der Pareto-Front zu lenken. Durch die Quantifizierung der Vorhersageunsicherheit an jedem Kandidatenpunkt gleicht sie die Exploration unbekannter Regionen mit der Exploitation vielversprechender Lösungen aus, was sie besonders leistungsfähig macht, wenn jede Funktionsbewertung rechenintensiv oder experimentell kostspielig 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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/de/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.
- Bayesian OptimizationOptimierung↔ compare
- Mehrzieloptimierung – Gleichzeitige Optimierung widerstreitender ZieleSimulation↔ compare
- Stochastische Multi-Objektiv-OptimierungSimulation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →