Robust NSGA-II — Multi-objektiv Optimering under Usikkerhed
Robust NSGA-II udvider den klassiske NSGA-II evolutionære algoritme til at tage højde for parametrisk usikkerhed, idet den finder Pareto-optimale afvejningsløsninger, der forbliver højtydende, selv når inputparametre afviger fra deres nominelle værdier. I stedet for at optimere objektivværdier ved et enkelt punkt, evaluerer den hver kandidatløsning på tværs af et interval eller en fordeling af usikkerhedsrealiseringer og vælger for robusthed sideløbende med Pareto-dominans.
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 ↗
- Deb, K., & Gupta, H. (2006). Introducing robustness in multi-objective optimization. Evolutionary Computation, 14(4), 463-494. DOI: 10.1162/evco.2006.14.4.463 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Robust Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/da/simulation/robust-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.
- Multi-objektiv genetisk algoritme (MOGA)Simulering↔ compare
- Multi-Objective OptimizationSimulering↔ compare
- Robust Genetisk AlgoritmeSimulering↔ compare
- Robust Multi-Objective OptimizationSimulering↔ compare
- Stokastisk NSGA-IISimulering↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →