ScholarGate
Assistant
Process / pipelineSimulation / optimization

Optimisation bayésienne par essaims particulaires — Recherche en essaim guidée par un a priori probabiliste

L'optimisation bayésienne par essaims particulaires (Bayesian PSO) intègre le raisonnement probabiliste bayésien dans le cadre standard des essaims particulaires. Les particules mettent à jour leurs vitesses et leurs positions, guidées non seulement par les meilleures positions personnelles et globales, mais aussi par une probabilité a posteriori bayésienne qui encode les connaissances a priori sur l'espace des solutions, permettant une exploration plus dirigée et statistiquement fondée des paysages d'optimisation complexes.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

The neighbourhood of related methods — select a node to explore.

Sources

  1. Higashi, N., Iba, H. (2003). Particle swarm optimization with Gaussian mutation. Proceedings of the 2003 IEEE Swarm Intelligence Symposium, Indianapolis, IN, USA, pp. 72-79. DOI: 10.1109/SIS.2003.1202250
  2. Kennedy, J., Eberhart, R. (1995). Particle swarm optimization. Proceedings of ICNN'95 — International Conference on Neural Networks, Perth, WA, Australia, vol. 4, pp. 1942-1948. DOI: 10.1109/ICNN.1995.488968

Comment citer cette page

ScholarGate. (2026, June 3). Bayesian Particle Swarm Optimization — Probabilistic prior-guided swarm search. ScholarGate. https://scholargate.app/fr/simulation/bayesian-particle-swarm-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.

Compare side by side

Référencée par

ScholarGateBayesian Particle Swarm Optimization (Bayesian Particle Swarm Optimization — Probabilistic prior-guided swarm search). Consulté le 2026-06-15 sur https://scholargate.app/fr/simulation/bayesian-particle-swarm-optimization · Jeu de données : https://doi.org/10.5281/zenodo.20539026