Bayesian NSGA-II — Multi-Objective Evolutionary Optimization mit Surrogat-Modellen
Bayesian NSGA-II integriert Gauß-Prozess-Surrogatmodelle (Bayesianische Metamodelle) in die evolutionäre Schleife von NSGA-II zur Lösung von rechenintensiven Multi-Objective-Optimierungsproblemen. Durch den Ersatz kostspieliger echter Funktionsauswertungen durch schnelle probabilistische Vorhersagen werden hochwertige Annäherungen der Pareto-Front mit weitaus weniger echten Auswertungen als das Standard-NSGA-II entdeckt.
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
- Deb, K., Pratap, A., Agarwal, S., Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197. DOI: 10.1109/4235.996017 ↗
- Emmerich, M. T. M., Giannakoglou, K. C., 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 Surrogate-Assisted Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/de/simulation/bayesian-nsga-ii
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
- Multi-Objective Genetic Algorithm (MOGA)Simulation↔ compare
- Mehrzieloptimierung – Gleichzeitige Optimierung widerstreitender ZieleSimulation↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →