Bayesian Multi-Objective Optimization — Pretraživanje Pareto fronta uz pomoć surogatnih modela i kvantifikaciju neizvesnosti
Bayesian Multi-Objective Optimization (BMOO/MOBO) koristi Gaussove procesne surogatne modele za aproksimaciju više skupih ciljnih funkcija i usmerava pretragu ka Pareto frontu uz minimalan broj stvarnih evaluacija. Kvantifikacijom neizvesnosti predviđanja u svakoj kandidatskoj tački, balansira se istraživanje nepoznatih regiona naspram eksploatacije obećavajućih rešenja, što ga čini posebno moćnim kada je svaka evaluacija funkcije računski ili eksperimentalno skupa.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/sr/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.
- Bajezijanska optimizacijaOptimizacija↔ compare
- Višeciljna optimizacijaSimulacija↔ compare
- Stochastic Multi-Objective OptimizationSimulacija↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →