Bayesiaans Doelprogrammeren
Bayesiaans Doelprogrammeren (BGP) integreert Bayesiaanse statistische inferentie met klassiek doelprogrammeren om onzekerheid in doelstellingen en parameters te hanteren. In plaats van doelgrenswaarden als vaste constanten te behandelen, codeert BGP deze als kansverdelingen, werkt overtuigingen bij met waargenomen gegevens en lost vervolgens het resulterende probabilistische optimalisatieprobleem op om oplossingen te vinden die voldoen aan meerdere aspiratieve doelen onder onzekerheid.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Bayesian Goal Programming. ScholarGate. https://scholargate.app/nl/simulation/bayesian-goal-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.
- Bayesiaanse Dynamische ProgrammeringSimulatie↔ compare
- Bayesiaanse Multi-Objectieve OptimalisatieSimulatie↔ compare
- Goal ProgrammingBesluitvorming↔ compare
- Multi-Objective OptimizationSimulatie↔ compare
- Robuuste DoelprogrammeringSimulatie↔ compare
- Stochastische DoelprogrammeringSimulatie↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →