Bayesian NSGA-II — Assisterad multi-objektiv evolutionär optimering med surrogatmodeller
Bayesian NSGA-II integrerar Gaussiska process-surrogatmodeller (Bayesianska metamodeller) i NSGA-II:s evolutionära loop för att lösa kostsamma problem med multi-objektiv optimering. Genom att ersätta dyra verkliga funktionsutvärderingar med snabba probabilistiska prediktioner, upptäcker den högkvalitativa approximationer av Pareto-fronter med betydligt färre verkliga utvärderingar än standard-NSGA-II.
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
- Deb, K., Pratap, A., Agarwal, S., Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197. DOI: 10.1109/4235.996017 ↗
- Emmerich, M. T. M., Giannakoglou, K. C., 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 Surrogate-Assisted Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/sv/simulation/bayesian-nsga-ii
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 genetisk algoritm (MOGA)Simulering↔ compare
- Multiobjektiv optimeringSimulering↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →