Deterministisk Genetisk Algoritme — Evolutionær Optimering Uden Tilfældighed
En Deterministisk Genetisk Algoritme (DGA) anvender den strukturelle ramme for evolutionær beregning — population, selektion, crossover og erstatning — ved at bruge udelukkende deterministiske operatorer og faste beslutningsregler i stedet for stokastisk sampling. Ved at eliminere tilfældighed bliver algoritmen fuldt reproducerbar: at køre den to gange på det samme problem giver identiske løsninger, hvilket gør den anvendelig til stringent benchmarking, reproducerbarhedsstudier og systemer, hvor stokasticitet er uønsket.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Deterministic Genetic Algorithm — Evolutionary optimization with deterministic selection and operators. ScholarGate. https://scholargate.app/da/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.
- Deterministisk PartikelsværmoptimeringSimulering↔ compare
- Genetisk AlgoritmeOptimering↔ compare
- Multi-objektiv genetisk algoritme (MOGA)Simulering↔ compare
- Simulated AnnealingOptimering↔ compare
- Stochastic Genetic AlgorithmSimulering↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →