Programmazione Intera Mista Bayesiana — Ottimizzazione Assistita da Surrogati su Spazi di Ricerca Interi Misti
La Programmazione Intera Mista Bayesiana (BO-MIP) accoppia un modello surrogato probabilistico — tipicamente un processo Gaussiano — con un risolutore di programmazione intera mista per ottimizzare efficientemente obiettivi costosi black-box definiti su spazi che contengono variabili decisionali sia continue sia discrete o intere. È particolarmente preziosa quando ogni valutazione della funzione è costosa e la ricerca esaustiva è infattibile.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Baptista, R., Poloczek, M. (2018). Bayesian Optimization of Combinatorial Structures. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80:462–471. link ↗
- Bonami, P., Biegler, L. T., Conn, A. R., Cornuejols, G., Grossmann, I. E., Laird, C. D., Lee, J., Lodi, A., Margot, F., Sawaya, N., Wächter, A. (2008). An algorithmic framework for convex mixed integer nonlinear programs. Discrete Optimization, 5(2), 186–204. DOI: 10.1016/j.disopt.2006.10.011 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Bayesian Mixed-Integer Programming — Surrogate-Assisted Optimization over Mixed-Integer Search Spaces. ScholarGate. https://scholargate.app/it/simulation/bayesian-mixed-integer-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.
- Ottimizzazione BayesianaOttimizzazione↔ compare
- Programmazione Lineare Intera MistaSimulazione↔ compare
- Programmazione Lineare Intera Mista Multi-ObiettivoSimulazione↔ compare
- Programmazione Robusta a Variabili Miste IntereSimulazione↔ compare
- Programmazione Lineare Intera StocasticaSimulazione↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →