Agent-based NSGA-II — Simulationsdrevet evolutionær multi-objektiv optimering
Agent-based NSGA-II indlejrer den evolutionære algoritme NSGA-II inde i en agent-baseret simuleringsløkke, så objektive værdier for hver kandidatløsning bestemmes ved at køre en fuld agentsimulering snarere end ved at evaluere en lukket formel. Denne kobling muliggør multi-objektiv optimering af systemer, hvis ydeevne opstår fra mikro-niveau interaktioner mellem autonome agenter snarere end fra analytisk håndterbare 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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/da/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.
- Agent-Based Modeling (ABM)Simulering↔ compare
- Agent-baseret multi-objektiv optimeringSimulering↔ compare
- Multi-objektiv genetisk algoritme (MOGA)Simulering↔ compare
- Stokastisk NSGA-IISimulering↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →