Байесовское целевое программирование
Байесовское целевое программирование (BGP) интегрирует байесовское статистическое выведение с классическим целевым программированием для управления неопределенностью в целевых показателях и параметрах. Вместо того чтобы рассматривать пороговые значения целей как фиксированные константы, BGP кодирует их в виде вероятностных распределений, обновляет убеждения с использованием наблюдаемых данных, а затем решает полученную вероятностную задачу оптимизации для поиска решений, удовлетворяющих множеству желаемых целей в условиях неопределенности.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Rios Insua, D. (1990). Sensitivity Analysis in Multi-objective Decision Making. Springer-Verlag, Berlin. ISBN: 9783540528814
- Charnes, A., Cooper, W. W., & Ferguson, R. O. (1955). Optimal estimation of executive compensation by linear programming. Management Science, 1(2), 138-151. DOI: 10.1287/mnsc.1.2.138 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Goal Programming. ScholarGate. https://scholargate.app/ru/simulation/bayesian-goal-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.
- Байесовская динамическая оптимизацияИмитационное моделирование↔ compare
- Байесовская многокритериальная оптимизацияИмитационное моделирование↔ compare
- Программирование целевых установокПринятие решений↔ compare
- Многокритериальная оптимизацияИмитационное моделирование↔ compare
- Робастное программирование целевых установокИмитационное моделирование↔ compare
- Стохастическое целевое программированиеИмитационное моделирование↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →