เปรียบเทียบวิธี

	การปรับให้เหมาะสมหลายวัตถุประสงค์แบบเบย์	การหาค่าเหมาะที่สุดหลายวัตถุประสงค์เชิงสุ่ม
สาขาวิชา	การจำลอง	การจำลอง
ตระกูล	Process / pipeline	Process / pipeline
ปีกำเนิด	2006-2016	1990s–2000s
ผู้ริเริ่ม	Emmerich, M.; Svenson, J.; and related Gaussian process optimization community	Various (Fonseca, Fleming, Deb, Zitzler, and others)
ประเภท	Surrogate-model-assisted multi-objective optimizer	Stochastic metaheuristic optimization
แหล่งต้นตำรับ	Svenson, J., Santner, T. (2016). Multiobjective optimization of expensive-to-evaluate deterministic computer simulator models. Computational Statistics & Data Analysis, 94, 250-264.	Deb, K. (2001). Multi-Objective Optimization Using Evolutionary Algorithms. Wiley, Chichester. ISBN: 9780471873396
ชื่อเรียกอื่น	BMOO, Bayesian MOO, Multi-objective Bayesian optimization, MOBO	SMOO, Stochastic MOO, Multi-objective optimization under uncertainty, Robust multi-objective optimization
ที่เกี่ยวข้อง	3	5
สรุป	Bayesian Multi-Objective Optimization (BMOO/MOBO) uses Gaussian process surrogate models to approximate multiple expensive objective functions and guides the search toward the Pareto frontier with minimal real evaluations. By quantifying prediction uncertainty at each candidate point, it balances exploration of unknown regions against exploitation of promising solutions, making it especially powerful when each function evaluation is computationally or experimentally costly.	Stochastic Multi-Objective Optimization (SMOO) is a class of methods that simultaneously optimizes two or more conflicting objectives when parameters, costs, or constraints are uncertain or random. Rather than a single optimal solution, it produces a Pareto front of non-dominated solutions, each representing a different balance among objectives under the modeled uncertainty.