Bayesiansk blandet heltallsprogrammering — Surrogatassistert optimering over søkeområder med blandede heltall
Bayesiansk blandet heltallsprogrammering (BO-MIP) kobler en probabilistisk surrogatmodell – typisk en Gaussisk prosess – med en løser for blandet heltallsprogrammering for effektivt å optimere kostbare «black-box»-objektivfunksjoner definert over områder som inneholder både kontinuerlige og diskrete eller heltallsverdierte beslutningsvariabler. Den er spesielt verdifull når hver funksjonsevaluering er kostbar og uttømmende søk er ugjennomførbart.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Bayesian Mixed-Integer Programming — Surrogate-Assisted Optimization over Mixed-Integer Search Spaces. ScholarGate. https://scholargate.app/no/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.
- Bayesiansk optimeringOptimering↔ compare
- HeltallsprogrammeringSimulering↔ compare
- Multi-Objective Mixed-Integer ProgrammingSimulering↔ compare
- Robust Mixed-Integer ProgrammingSimulering↔ compare
- Stokastisk heltallsprogrammeringSimulering↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →