Robust Genetisk Algoritme — Evolutionær Optimering under Usikkerhed
Den Robuste Genetiske Algoritme (RGA) udvider standard genetiske algoritmer til at finde løsninger, der præsterer godt ikke kun ved det nominelle designpunkt, men også når de udsættes for usikkerhed i beslutningsvariable, parametre eller fitness-evalueringer. Ved at inkorporere eksplicitte robusthedsmål i selektionspres balancerer RGA optimalitet mod følsomhed over for perturbationer, hvilket gør den velegnet til ingeniørdesign, planlægning og politisk optimering under reel variation.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/da/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.
- Genetisk AlgoritmeOptimering↔ compare
- Multi-objektiv genetisk algoritme (MOGA)Simulering↔ compare
- Robust Multi-Objective OptimizationSimulering↔ compare
- Robust Particle Swarm OptimizationSimulering↔ compare
- Robust simuleret udglødningSimulering↔ compare
- Stochastic Genetic AlgorithmSimulering↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →