Bayesian Mixed-Integer Programming — Optimizācija ar palīgsurrogātiem jauktās veselo skaitļu telpās
Bayesian Mixed-Integer Programming (BO-MIP) apvieno probablistisku surrogātu modeli — parasti Gausa procesu — ar jauktu veselo skaitļu programmēšanas risinātāju, lai efektīvi optimizētu dārgus melnās kastes mērķus, kas definēti telpās, kurās ir gan nepārtrauktas, gan diskrētas vai veselu skaitļu lēmumu mainīgās. Tas ir īpaši vērtīgs, ja katra funkcijas novērtēšana ir dārga un izsmeļoša meklēšana ir neiespējama.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Mixed-Integer Programming — Surrogate-Assisted Optimization over Mixed-Integer Search Spaces. ScholarGate. https://scholargate.app/lv/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.
- Optimizācija ar Bajesas metodiOptimizācija↔ compare
- Jaukta veselo skaitļu programmēšanaSimulācija↔ compare
- Daudzobjektīvu jauktās veselo skaitļu programmēšanasSimulācija↔ compare
- Robust Mixed-Integer ProgrammingSimulācija↔ compare
- Stochastic Mixed-Integer ProgrammingSimulācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →