Agent-Based NSGA-II — Simulačně řízená evoluční víc Cílová optimalizace
Agent-based NSGA-II vkládá evoluční algoritmus NSGA-II do smyčky agentní simulace, takže hodnoty cílů pro každé kandidátní řešení jsou určeny spuštěním plné agentní simulace, nikoli vyhodnocením uzavřené funkce. Toto propojení umožňuje víc Cílovou optimalizaci systémů, jejichž výkonnost vyplývá z mikroúrovňových interakcí autonomních agentů, nikoli z analyticky zvládnutelných rovnic.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Deb, K., Pratap, A., Agarwal, S., & 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 ↗
- Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. Journal of Simulation, 4(3), 151-162. DOI: 10.1057/jos.2010.3 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/cs/simulation/agent-based-nsga-ii
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.
- Modelování založené na agentech (ABM)Simulace↔ compare
- Agent-basední multi-objektivní optimalizaceSimulace↔ compare
- Vícecílový Genetický Algoritmus (MOGA)Simulace↔ compare
- Stochastic NSGA-IISimulace↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →