Ottimizzazione Bayesiana Multi-Obiettivo — Ricerca del fronte di Pareto assistita da surrogati con quantificazione dell'incertezza
L'Ottimizzazione Bayesiana Multi-Obiettivo (BMOO/MOBO) utilizza modelli surrogati di processi Gaussiani per approssimare funzioni obiettivo multiple e costose, guidando la ricerca verso il fronte di Pareto con un numero minimo di valutazioni reali. Quantificando l'incertezza della previsione in ogni punto candidato, bilancia l'esplorazione di regioni sconosciute con lo sfruttamento di soluzioni promettenti, rendendola particolarmente efficace quando ogni valutazione di funzione è computazionalmente o sperimentalmente costosa.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/it/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.
- Ottimizzazione BayesianaOttimizzazione↔ compare
- Ottimizzazione Multi-ObiettivoSimulazione↔ compare
- Ottimizzazione Stocastica Multi-ObiettivoSimulazione↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →