Bayesian Multi-Objective Optimization — Surrogate-assisterad sökning av Paretofront med osäkerhetskvantifiering
Bayesian Multi-Objective Optimization (BMOO/MOBO) använder Gaussiska process-surrogatmodeller för att approximera flera kostsamma objektivfunktioner och styr sökningen mot Paretofronten med minimalt antal verkliga utvärderingar. Genom att kvantifiera prediktionsosäkerheten vid varje kandidatpunkt balanserar den utforskning av okända regioner mot exploatering av lovande lösningar, vilket gör den särskilt kraftfull när varje funktionsutvärdering är beräkningsmässigt eller experimentellt kostsam.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/sv/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.
- Bayesiansk optimeringOptimering↔ compare
- Multiobjektiv optimeringSimulering↔ compare
- Stokastisk multiobjektiv optimeringSimulering↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →