방법 증거 기록

Bayesian Goal Programming

Bayesian Goal Programming (BGP) integrates Bayesian statistical inference with classic goal programming to handle uncertainty in targets and parameters. Instead of treating goal thresholds as fixed constants, BGP encodes them as probability distributions, updates beliefs using observed data, and then solves the resulting probabilistic optimization problem to find solutions that satisfy multiple aspirational goals under uncertainty.

Sources recorded, not reviewed

원본 기록

방법의 원본 기록에서 그대로 복사된 인용입니다. 이로부터 수준별 검증이 추론되지 않습니다.

분류학적 방법 기록 · process-pipeline / simulation

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

전체 방법 열기

큐레이션된 주장

각각 자체 평가와 함께 증거 원장에 유지된 주장입니다.

아직 큐레이션된 주장이 없습니다

원장에 주장 평가가 없는 경우 이 보기에서는 주장 평가를 만들지 않습니다.

관련 방법

방법 그래프에서 생성되었으며 기계가 제안한 관계로 표시됩니다 — 증거 주장이 추론되지 않습니다.

Taxonomic bucketBayesian Dynamic Programmingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketBayesian Multi-Objective Optimizationmachine-suggested · Relational suggestion, not evidence.See alsoGOAL-PROGRAMMINGmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMulti-Objective Optimizationmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketRobust goal programmingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketStochastic Goal Programmingmachine-suggested · Relational suggestion, not evidence.