การปรับให้เหมาะสมหลายวัตถุประสงค์แบบเบย์ — การค้นหาแนวพรมแดนพาเรโตโดยใช้ตัวแบบจำลองเสริมพร้อมการระบุปริมาณความไม่แน่นอน
การปรับให้เหมาะสมหลายวัตถุประสงค์แบบเบย์ (Bayesian Multi-Objective Optimization - BMOO/MOBO) ใช้ตัวแบบจำลองเสริมกระบวนการเกาส์เซียน (Gaussian process surrogate models) เพื่อประมาณค่าฟังก์ชันวัตถุประสงค์ที่มีค่าใช้จ่ายสูงหลายฟังก์ชัน และนำทางการค้นหาไปยังแนวพรมแดนพาเรโต (Pareto frontier) โดยมีการประเมินผลจริงน้อยที่สุด ด้วยการระบุปริมาณความไม่แน่นอนของการทำนาย ณ จุดผู้สมัครแต่ละจุด ทำให้เกิดความสมดุลระหว่างการสำรวจพื้นที่ที่ไม่รู้จักกับการใช้ประโยชน์จากโซลูชันที่มีแนวโน้มที่ดี ซึ่งมีประสิทธิภาพอย่างยิ่งเมื่อการประเมินค่าฟังก์ชันแต่ละครั้งมีค่าใช้จ่ายสูงทั้งในเชิงคำนวณหรือการทดลอง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/th/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.
- Bayesian Optimizationการหาค่าเหมาะที่สุด↔ compare
- การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์การจำลอง↔ compare
- การหาค่าเหมาะที่สุดหลายวัตถุประสงค์เชิงสุ่มการจำลอง↔ compare