Programmation par objectifs bayésienne
La programmation par objectifs bayésienne (BGP) intègre l'inférence statistique bayésienne à la programmation par objectifs classique pour gérer l'incertitude dans les cibles et les paramètres. Au lieu de traiter les seuils d'objectifs comme des constantes fixes, la BGP les encode sous forme de distributions de probabilité, met à jour les croyances à l'aide des données observées, puis résout le problème d'optimisation probabiliste résultant pour trouver des solutions qui satisfont plusieurs objectifs aspirationnels sous incertitude.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Goal Programming. ScholarGate. https://scholargate.app/fr/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.
- Programmation dynamique bayésienneSimulation↔ compare
- Optimisation bayésienne multi-objectifsSimulation↔ compare
- Programmation par objectifsPrise de décision↔ compare
- Optimisation multi-objectifSimulation↔ compare
- Programmation par objectifs robusteSimulation↔ compare
- Programmation par objectifs stochastiqueSimulation↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →