Robustní genetický algoritmus — evoluční optimalizace za nejistoty
Robustní genetický algoritmus (RGA) rozšiřuje standardní genetické algoritmy o nalezení řešení, která podávají dobrý výkon nejen v nominálním návrhovém bodě, ale také při vystavení nejistotě v rozhodovacích proměnných, parametrech nebo vyhodnocení účelové funkce. Začleněním explicitních měr robustnosti do selekčního tlaku RGA vyvažuje optimálnost s citlivostí na poruchy, což jej činí vhodným pro inženýrské návrhy, plánování a optimalizaci politik za podmínek reálné variability.
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
- Jin, Y., Branke, J. (2005). Evolutionary optimization in uncertain environments — a survey. IEEE Transactions on Evolutionary Computation, 9(3), 303–317. DOI: 10.1109/TEVC.2005.846356 ↗
- Beyer, H.-G., Sendhoff, B. (2007). Robust optimization — A comprehensive survey. Computer Methods in Applied Mechanics and Engineering, 196(33–34), 3190–3218. DOI: 10.1016/j.cma.2007.03.003 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/cs/simulation/robust-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.
- Genetický algoritmusOptimalizace↔ compare
- Vícecílový Genetický Algoritmus (MOGA)Simulace↔ compare
- Robustní vícecilaová optimalizaceSimulace↔ compare
- Robustní optimalizace rojem částicSimulace↔ compare
- Robustní simulované žíháníSimulace↔ compare
- Stochastický genetický algoritmusSimulace↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →