Multi-Objective Genetic Algorithm (MOGA) — Evolutionärer Suchlauf nach Pareto-optimalen Lösungen
Ein Multi-Objective Genetic Algorithm (MOGA) ist eine evolutionäre Berechnungsmethode, die eine Population von Kandidatenlösungen in Richtung einer Pareto-optimalen Front entwickelt und dabei gleichzeitig zwei oder mehr konkurrierende Zielfunktionen optimiert. Sie vermeidet die Zusammenfassung von Kompromissen zu einem einzigen Wert, sondern erzeugt stattdessen eine Menge nicht-dominierter Lösungen, aus denen der Entscheidungsträger wählen kann.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Quellen
- Goldberg, D. E. (1989). Genetic algorithms in search, optimization, and machine learning. Addison-Wesley. ISBN: 9780201157673
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Multi-Objective Genetic Algorithm (MOGA). ScholarGate. https://scholargate.app/de/simulation/multi-objective-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.
- Genetischer AlgorithmusOptimierung↔ compare
- Mehrzieloptimierung – Gleichzeitige Optimierung widerstreitender ZieleSimulation↔ compare
- Multi-Objective Particle Swarm Optimization (MOPSO)Simulation↔ compare
- Multi-Objective Simulated Annealing (MOSA)Simulation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →