Optimizare bayesiană multi-obiectiv — Căutarea frontierei Pareto asistată de surogat cu cuantificarea incertitudinii
Optimizarea bayesiană multi-obiectiv (BMOO/MOBO) utilizează modele surogat bazate pe procese Gaussiene pentru a aproxima multiple funcții obiectiv costisitoare și ghidează căutarea către frontiera Pareto cu un număr minim de evaluări reale. Prin cuantificarea incertitudinii predicției la fiecare punct candidat, echilibrează explorarea regiunilor necunoscute cu valorificarea soluțiilor promițătoare, făcând-o deosebit de puternică atunci când fiecare evaluare a funcției este costisitoare din punct de vedere computațional sau experimental.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/ro/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.
- Optimizare BayesianăOptimizare↔ compare
- Optimizare Multi-ObiectivSimulare↔ compare
- Optimizare Stocastică Multi-ObiectivSimulare↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →