Байєсівська багатоцільова оптимізація — Пошук фронту Парето за допомогою сурогатів із кількісною оцінкою невизначеності
Байєсівська багатоцільова оптимізація (BMOO/MOBO) використовує сурогатні моделі Гауссових процесів для апроксимації кількох дорогих цільових функцій та спрямовує пошук до фронту Парето з мінімальною кількістю реальних оцінок. Кількісно оцінюючи невизначеність прогнозу в кожній кандидатській точці, вона балансує між дослідженням невідомих областей та експлуатацією перспективних рішень, що робить її особливо потужною, коли кожна оцінка функції є обчислювально або експериментально дорогою.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/uk/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.
- Байєсівська оптимізаціяОптимізація↔ compare
- Багатокритеріальна оптимізаціяІмітаційне моделювання↔ compare
- Стохастична багатоцільова оптимізаціяІмітаційне моделювання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →