Bayes-féle Többfunkciós Optimalizálás — Felülettel támogatott Pareto-front keresés bizonytalanság-kvantifikálással
A Bayes-féle Többfunkciós Optimalizálás (BMOO/MOBO) Gauss-folyamat alapú felületi modelleket használ több, költséges célfüggvény közelítésére, és a keresést a Pareto-front felé irányítja minimális számú valós kiértékeléssel. A predikciós bizonytalanság kvantifikálásával minden jelölt ponton egyensúlyt teremt az ismeretlen régiók feltárása és az ígéretes megoldások kiaknázása között, ami különösen erőssé teszi, ha minden függvénykiértékelés számítási vagy kísérleti szempontból költséges.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/hu/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.
- Bayes-optimalizálásOptimalizálás↔ compare
- Többfunkciós optimalizálásSzimuláció↔ compare
- Stochastic Multi-Objective OptimizationSzimuláció↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →