Tối ưu hóa đa mục tiêu Bayes — Tìm kiếm biên Pareto được hỗ trợ bởi mô hình thay thế với định lượng bất định
Tối ưu hóa đa mục tiêu Bayes (BMOO/MOBO) sử dụng các mô hình thay thế quy trình Gaussian để xấp xỉ nhiều hàm mục tiêu tốn kém và hướng dẫn tìm kiếm về biên Pareto với số lần đánh giá thực tế tối thiểu. Bằng cách định lượng bất định dự đoán tại mỗi điểm ứng viên, nó cân bằng giữa khám phá các vùng chưa biết và khai thác các giải pháp tiềm năng, làm cho nó đặc biệt mạnh mẽ khi mỗi lần đánh giá hàm tốn kém về mặt tính toán hoặc thực nghiệm.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Bayesian Multi-Objective Optimization (BMOO) — Surrogate-assisted Pareto frontier exploration under uncertainty. ScholarGate. https://scholargate.app/vi/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.
- Tối ưu hóa BayesTối ưu hóa↔ compare
- Tối ưu hóa đa mục tiêuMô phỏng↔ compare
- Tối ưu hóa Đa mục tiêu Ngẫu nhiênMô phỏng↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →