Optimización Bayesiana Multi-Objetivo — Búsqueda del frente de Pareto asistida por sustitutos con cuantificación de la incertidumbre
La Optimización Bayesiana Multi-Objetivo (BMOO/MOBO) utiliza modelos sustitutos de procesos gaussianos para aproximar múltiples funciones objetivo costosas y guía la búsqueda hacia el frente de Pareto con un mínimo de evaluaciones reales. Al cuantificar la incertidumbre de predicción en cada punto candidato, equilibra la exploración de regiones desconocidas con la explotación de soluciones prometedoras, lo que la hace especialmente potente cuando cada evaluación de función es computacional o experimentalmente costosa.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/es/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.
- Optimización BayesianaOptimización↔ compare
- Optimización MultiobjetivoSimulación↔ compare
- Optimización Estocástica MultiobjetivoSimulación↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →