Optimisation bayésienne multi-objectifs — Recherche assistée par substitut de front de Pareto avec quantification de l'incertitude

L'optimisation bayésienne multi-objectifs (BMOO/MOBO) utilise des modèles substituts à processus gaussiens pour approximer plusieurs fonctions objectifs coûteuses et guide la recherche vers le front de Pareto avec un minimum d'évaluations réelles. En quantifiant l'incertitude de prédiction à chaque point candidat, elle équilibre l'exploration de régions inconnues avec l'exploitation de solutions prometteuses, ce qui la rend particulièrement puissante lorsque chaque évaluation de fonction est coûteuse sur le plan computationnel ou expérimental.