Deterministický genetický algoritmus — evoluční optimalizace bez náhodnosti
Deterministický genetický algoritmus (DGA) aplikuje strukturální rámec evolučních výpočtů — populace, selekce, křížení a nahrazování — s použitím zcela deterministických operátorů a pevných rozhodovacích pravidel namísto stochastického vzorkování. Odstraněním náhodnosti se algoritmus stává plně reprodukovatelným: jeho dvakrát spuštění na stejném problému poskytne identické výsledky, což jej činí zvládnutelným pro rigorózní benchmarkování, studie reprodukovatelnosti a systémy, kde je stochastičnost nežádoucí.
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
- Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, Reading, MA. ISBN: 9780201157673
- Mahfoud, S. W. (1995). Niching methods for genetic algorithms. IlliGAL Report No. 95001, University of Illinois at Urbana-Champaign. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Deterministic Genetic Algorithm — Evolutionary optimization with deterministic selection and operators. ScholarGate. https://scholargate.app/cs/simulation/deterministic-genetic-algorithm
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.
- Deterministická optimalizace rojem částicSimulace↔ compare
- Genetický algoritmusOptimalizace↔ compare
- Vícecílový Genetický Algoritmus (MOGA)Simulace↔ compare
- Simulated AnnealingOptimalizace↔ compare
- Stochastický genetický algoritmusSimulace↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →