Optimizimi Bayesian me shumë objektivë — Kërkimi i frontit të Pareto të asistuar nga zëvendësuesit me kuantifikim të pasigurisë
Optimizimi Bayesian me shumë objektivë (BMOO/MOBO) përdor modele zëvendësuese të procesit Gaussian për të përafruar funksione objektive të shumta të shtrenjta dhe udhëzon kërkimin drejt frontit të Pareto me vlerësime reale minimale. Duke kuantifikuar pasigurinë e parashikimit në çdo pikë kandidate, ai balancon eksplorimin e rajoneve të panjohura kundrejt shfrytëzimit të zgjidhjeve premtuese, duke e bërë atë veçanërisht të fuqishëm kur çdo vlerësim i funksionit është i kushtueshëm nga ana llogaritëse ose eksperimentale.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/sq/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.
- Optimizimi BayesianoOptimizimi↔ compare
- Optimizimi me shumë objektivëSimulimi↔ compare
- Optimizimi Stokastik me shumë objektivëSimulimi↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →