Bayesiansk flermål-optimalisering — Surrogatassistert Pareto-frontsøk med usikkerhetskvantifisering
Tenk deg å optimalisere et bildesign samtidig for drivstoffeffektivitet og kollisjonssikkerhet, der hver fysiske test tar dager og koster millioner. BMOO bygger et sannsynlighetskart over hvordan hvert mål oppfører seg på tvers av designrommet ved hjelp av en håndfull reelle tester, og identifiserer deretter matematisk hvilke utestede design som mest sannsynlig vil forbedre Pareto-fronten. Denne surrogatstyrte intelligensen betyr at du trekker ut nær-optimale avveiningsløsninger med langt færre reelle eksperimenter enn tradisjonelle evolusjonære algoritmer krever. Det Bayesianske posterioriet gir også ærlige usikkerhetsbånd på prediksjoner, ikke bare punktestimater.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/no/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.
- Bayesiansk optimeringOptimering↔ compare
- Multimål-optimeringSimulering↔ compare
- Stokastisk multi-objektiv optimeringSimulering↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →