بهینهسازی بیزی چندهدفه — جستجوی مرز پارِتو با کمکِ نیابتی و کمّیسازی عدم قطعیت
بهینهسازی بیزی چندهدفه (BMOO/MOBO) از مدلهای نیابتیِ فرایندِ گاوسی برای تقریبِ چندین تابعِ هدفِ پرهزینه استفاده میکند و جستجو را به سمتِ مرزِ پارِتو با حداقلِ ارزیابیهای واقعی هدایت مینماید. با کمّیسازیِ عدمِ قطعیتِ پیشبینی در هر نقطهِ کاندید، تعادل میانِ کاوشِ نواحیِ ناشناخته و بهرهبرداری از راهحلهای امیدوارکننده را برقرار میسازد و زمانی که هر ارزیابیِ تابع از نظر محاسباتی یا آزمایشی پرهزینه باشد، قدرتی ویژه مییابد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/fa/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.
- بهینهسازی بیزیبهینهسازی↔ compare
- بهینهسازی چندهدفهشبیهسازی↔ compare
- بهینهسازی تصادفی چندهدفهشبیهسازی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →