Bayesiläinen tavoiteohjelmointi
Bayesiläinen tavoiteohjelmointi (BGP) yhdistää Bayesiläisen tilastollisen päättelyn klassiseen tavoiteohjelmointiin epävarmuuden käsittelemiseksi tavoitteissa ja parametreissa. Sen sijaan, että tavoitekynnykset käsiteltäisiin kiinteinä vakioina, BGP mallintaa ne todennäköisyysjakaumina, päivittää uskomuksia havaitun datan avulla ja ratkaisee sitten tuloksena olevan todennäköisyysoptimointiongelman löytääkseen ratkaisuja, jotka täyttävät useita pyrkimystavoitteita epävarmuuden vallitessa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Rios Insua, D. (1990). Sensitivity Analysis in Multi-objective Decision Making. Springer-Verlag, Berlin. ISBN: 9783540528814
- Charnes, A., Cooper, W. W., & Ferguson, R. O. (1955). Optimal estimation of executive compensation by linear programming. Management Science, 1(2), 138-151. DOI: 10.1287/mnsc.1.2.138 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bayesian Goal Programming. ScholarGate. https://scholargate.app/fi/simulation/bayesian-goal-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.
- Bayesiläinen dynaaminen ohjelmointiSimulointi↔ compare
- Bayesiläinen monikriteerinen optimointiSimulointi↔ compare
- TavoiteohjelmointiPäätöksenteko↔ compare
- Monitavoiteoptimointi – ristiriitaisten tavoitteiden samanaikainen optimointiSimulointi↔ compare
- Robusti tavoiteohjelmointiSimulointi↔ compare
- Stokastinen tavoiteohjelmointiSimulointi↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →