Non-dominated Sorting Genetic Algorithm III
تحل خوارزمية NSGA-III المشاكل التي يجب فيها تحسين أهداف متعددة في وقت واحد، مثل تقليل التكلفة مع زيادة الجودة والموثوقية. بدلاً من البحث عن حل واحد، تحتفظ الخوارزمية بمجموعة متنوعة من الحلول غير المهيمنة التي تمثل مفاضلات مختلفة (جبهة باريتو). الابتكار الرئيسي هو الاختيار المعتمد على النقاط المرجعية: توجه الخوارزمية البحث نحو مجموعة محددة مسبقًا من النقاط المرجعية الموزعة بالتساوي في فضاء الأهداف. هذا الاستبدال لمقياس مسافة الازدحام من NSGA-II يضمن تغطية أفضل لجبهة باريتو، وهو أمر بالغ الأهمية بشكل خاص عندما تتجاوز الأهداف ثلاثة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
المصادر
- Deb, K., & Jain, H. (2014). An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, part I: Solving problems with box constraints. IEEE Transactions on Evolutionary Computation, 18(4), 577-601. DOI: 10.1109/TEVC.2013.2281534 ↗
- Deb, K., Agrawal, S., Pratap, A., & 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 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Non-dominated Sorting Genetic Algorithm III. ScholarGate. https://scholargate.app/ar/operations-research/nsga-iii
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- التحسين متعدد الأهدافالمحاكاة↔ قارن
- تحسين السرب الجسيمي (PSO)التحسين↔ قارن