Bayesovská viacobjektívna optimalizácia — Hľadanie Paretovho frontu s podporou surogátnych modelov a kvantifikáciou neistoty
Bayesovská viacobjektívna optimalizácia (BMOO/MOBO) využíva surogátne modely gaussovských procesov na aproximáciu viacerých výpočtovo nákladných účelových funkcií a usmerňuje hľadanie smerom k Paretovmu frontu s minimálnym počtom skutočných vyhodnotení. Kvantifikáciou predikčnej neistoty v každom kandidátskom bode vyvažuje prieskum neznámych oblastí s využívaním sľubných riešení, čo ju robí obzvlášť účinnou, keď je každé vyhodnotenie funkcie výpočtovo alebo experimentálne nákladné.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/sk/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.
- Bayesovská optimalizáciaOptimalizácia↔ compare
- Viaccieľové optimalizovanieSimulácia↔ compare
- Stochastická multikriteriálna optimalizáciaSimulácia↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →