Process / pipelineSimulation / optimization
ベイズ的多目的最適化 — 不確実性定量化を伴う代理モデル支援パレートフロンティア探索
ベイズ的多目的最適化（BMOO/MOBO）は、ガウス過程代理モデルを用いて複数の高コスト目的関数を近似し、実際の評価を最小限に抑えながらパレートフロンティアへの探索を誘導する。各候補点における予測不確実性を定量化することで、未知の領域の探索と有望な解の活用とのバランスを取り、各関数評価が計算上または実験上高コストである場合に特に強力である。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/ja/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.
Compare side by side →