Байесовская многокритериальная оптимизация — поиск Парето-фронта с использованием суррогатных моделей и количественной оценкой неопределенности.
Байесовская многокритериальная оптимизация (BMOO/MOBO) использует суррогатные модели на основе гауссовских процессов для аппроксимации нескольких дорогостоящих целевых функций и направляет поиск к Парето-фронту с минимальным числом реальных оценок. Количественно оценивая неопределенность прогноза в каждой кандидатной точке, она балансирует исследование неизвестных областей с использованием перспективных решений, что делает ее особенно мощной, когда каждая оценка функции вычислительно или экспериментально затратна.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/ru/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.
- Байесовская оптимизацияОптимизация↔ compare
- Многокритериальная оптимизацияИмитационное моделирование↔ compare
- Стохастическая многокритериальная оптимизацияИмитационное моделирование↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →