Otimização Bayesiana Multiobjetivo — Busca da fronteira de Pareto assistida por substitutos com quantificação de incerteza
A Otimização Bayesiana Multiobjetivo (BMOO/MOBO) utiliza modelos substitutos de processos Gaussianos para aproximar múltiplas funções objetivo caras e guia a busca em direção à fronteira de Pareto com avaliações reais mínimas. Ao quantificar a incerteza de predição em cada ponto candidato, ela equilibra a exploração de regiões desconhecidas contra a exploração de soluções promissoras, tornando-a especialmente poderosa quando cada avaliação de função é computacional ou experimentalmente custosa.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/pt/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.
- Otimização BayesianaOtimização↔ compare
- Otimização MultiobjetivoSimulação↔ compare
- Otimização Estocástica Multi-ObjetivoSimulação↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →