Bayesiläinen monikriteerinen optimointi — Pareto-rintaman haku korvikeavusteisesti epävarmuuden kvantifioinnilla
Bayesiläinen monikriteerinen optimointi (BMOO/MOBO) käyttää Gaussin prosessikorvikemalleja useiden kalliiden kohdefunktioiden approksimointiin ja ohjaa hakua kohti Pareto-rintamaa minimaalisella todellisella evaluointimäärällä. Kvantifioimalla ennusteen epävarmuutta kussakin ehdokaspisteessä se tasapainottaa tuntemattomien alueiden tutkimista lupaavien ratkaisujen hyödyntämistä vastaan, mikä tekee siitä erityisen tehokkaan, kun jokainen funktioevaluointi on laskennallisesti tai kokeellisesti kallista.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/fi/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.
- Bayesiläinen optimointiOptimointi↔ compare
- Monitavoiteoptimointi – ristiriitaisten tavoitteiden samanaikainen optimointiSimulointi↔ compare
- Stochastic Multi-Objective OptimizationSimulointi↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →