Bayesijsko višeciljno optimiziranje — Potpomognuto zamjenskim modelima pretraživanje Pareto fronte uz kvantifikaciju nesigurnosti
Bayesijsko višeciljno optimiziranje (BMOO/MOBO) koristi zamjenske modele Gaussovih procesa za aproksimaciju više skupih ciljnih funkcija i usmjerava pretraživanje prema Pareto fronti uz minimalan broj stvarnih evaluacija. Kvantificiranjem nesigurnosti predviđanja u svakoj kandidatskoj točki, uravnotežuje istraživanje nepoznatih područja s iskorištavanjem obećavajućih rješenja, što ga čini posebno moćnim kada je svaka evaluacija funkcije izračunski ili eksperimentalno skupa.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/hr/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.
- Bayesian OptimizationOptimizacija↔ compare
- Višeciljna optimizacijaSimulacija↔ compare
- Stohastička višekriterijska optimizacijaSimulacija↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →