Pemrograman Tujuan Bayesian
Pemrograman Tujuan Bayesian (BGP) mengintegrasikan inferensi statistik Bayesian dengan pemrograman tujuan klasik untuk menangani ketidakpastian dalam target dan parameter. Alih-alih memperlakukan ambang batas tujuan sebagai konstanta tetap, BGP mengkodekannya sebagai distribusi probabilitas, memperbarui keyakinan menggunakan data yang diamati, dan kemudian menyelesaikan masalah optimasi probabilistik yang dihasilkan untuk menemukan solusi yang memenuhi berbagai tujuan aspirasional di bawah ketidakpastian.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Bayesian Goal Programming. ScholarGate. https://scholargate.app/id/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.
- Pemrograman Dinamis BayesianSimulasi↔ compare
- Optimasi Multi-Objektif BayesianSimulasi↔ compare
- Pemrograman TujuanPengambilan Keputusan↔ compare
- Optimasi Multi-ObjektifSimulasi↔ compare
- Pemrograman Tujuan KuatSimulasi↔ compare
- Pemrograman Sasaran StokastikSimulasi↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →