Bayesian Multi-Objective Optimization — Pencarian sempadan Pareto berbantu surogat dengan kuantifikasi ketidakpastian
Bayesian Multi-Objective Optimization (BMOO/MOBO) menggunakan model surogat proses Gaussian untuk menghampiri berbilang fungsi objektif yang mahal dan membimbing pencarian ke arah sempadan Pareto dengan penilaian sebenar yang minimum. Dengan mengkuantifikasi ketidakpastian ramalan pada setiap titik calon, ia mengimbangi penerokaan kawasan yang tidak diketahui terhadap eksploitasi penyelesaian yang menjanjikan, menjadikannya sangat berkuasa apabila setiap penilaian fungsi mahal dari segi pengiraan atau eksperimen.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/ms/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.
- Pengoptimuman BayesianPengoptimuman↔ compare
- Pengoptimuman Pelbagai ObjektifSimulasi↔ compare
- Pengoptimuman Pelbagai Objektif StokastikSimulasi↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →