Optimasi Multi-Objektif Bayesian — Pencarian muka Pareto berbantuan surogat dengan kuantifikasi ketidakpastian
Optimasi Multi-Objektif Bayesian (BMOO/MOBO) menggunakan model surogat proses Gaussian untuk memperkirakan beberapa fungsi objektif yang mahal dan memandu pencarian menuju muka Pareto dengan evaluasi nyata minimal. Dengan mengkuantifikasi ketidakpastian prediksi pada setiap titik kandidat, ia menyeimbangkan eksplorasi wilayah yang belum diketahui terhadap eksploitasi solusi yang menjanjikan, membuatnya sangat kuat ketika setiap evaluasi fungsi mahal secara komputasi atau eksperimental.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/id/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.
- Optimasi BayesianOptimasi↔ compare
- Optimasi Multi-ObjektifSimulasi↔ compare
- Optimisasi Stokastik Multi-ObjektifSimulasi↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →