Agent-baseret multi-objektiv optimering — Decentraliseret evolutionær søgning på tværs af konkurrerende mål
Agent-baseret multi-objektiv optimering (ABMOO) indlejrer autonome agenter i et simuleringsmiljø og udvikler deres adfærd eller parametre for samtidigt at optimere to eller flere modstridende mål, hvilket resulterer i en Pareto-effektiv front af løsninger snarere end et enkelt optimum. Det er velegnet til komplekse adaptive systemer, hvor mål opstår fra interaktioner på mikroniveau snarere end fra lukkede ligninger.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Bonabeau, E., Dorigo, M., & Theraulaz, G. (2002). Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press. ISBN: 9780195131598
- Coello Coello, C. A., Lamont, G. B., & Van Veldhuizen, D. A. (2007). Evolutionary Algorithms for Solving Multi-Objective Problems (2nd ed.). Springer. ISBN: 9780387332543
Sådan citerer du denne side
ScholarGate. (2026, June 3). Agent-Based Multi-Objective Optimization — Decentralized evolutionary search across competing objectives. ScholarGate. https://scholargate.app/da/simulation/agent-based-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.
- Agent-Based Modeling (ABM)Simulering↔ compare
- Multi-objektiv genetisk algoritme (MOGA)Simulering↔ compare
- Multi-Objective OptimizationSimulering↔ compare
- Multi-Objective Particle Swarm Optimization (MOPSO)Simulering↔ compare
- Stokastisk Multi-Objektiv OptimeringSimulering↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →