Optymalizacja Bayesowska Wielokryterialna — wspomagane przez modele zastępcze przeszukiwanie frontu Pareto z kwantyfikacją niepewności.
Optymalizacja Bayesowska Wielokryterialna (BMOO/MOBO) wykorzystuje modele zastępcze oparte na procesach Gaussowskich do aproksymacji wielu kosztownych funkcji celu i kieruje przeszukiwanie w stronę frontu Pareto przy minimalnej liczbie rzeczywistych ewaluacji. Kwantyfikując niepewność predykcji w każdym punkcie kandydującym, równoważy eksplorację nieznanych obszarów z eksploatacją obiecujących rozwiązań, co czyni ją szczególnie skuteczną, gdy każda ewaluacja funkcji jest kosztowna obliczeniowo lub eksperymentalnie.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/pl/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.
- Optymalizacja bayesowskaOptymalizacja↔ compare
- Optymalizacja wielocelowaSymulacja↔ compare
- Stochastyczna Optymalizacja WielokryterialnaSymulacja↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →