Beiziešu daudzobjektīvu optimizācija — Pareto frontes meklēšana ar palīgsurrogātiem un nenoteiktības kvantificēšanu
Beiziešu daudzobjektīvu optimizācija (BMOO/MOBO) izmanto Gausa procesa palīgsurrogātu modeļus, lai novērtētu vairākas dārgas mērķa funkcijas un vadītu meklēšanu uz Pareto fronti ar minimālu reālu novērtējumu skaitu. Kvantificējot prognožu nenoteiktību katrā kandidātpunktā, tā līdzsvaro nezināmu apgabalu izpēti ar daudzsološu risinājumu izmantošanu, padarot to īpaši spēcīgu, kad katrs funkcijas novērtējums ir aprēķināšanas vai eksperimentāli dārgs.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/lv/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.
- Optimizācija ar Bajesas metodiOptimizācija↔ compare
- Daudzobjektīvu optimizācijaSimulācija↔ compare
- Stochastic Multi-Objective OptimizationSimulācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →