Robuster Genetischer Algorithmus — Evolutionäre Optimierung unter Unsicherheit
Der Robuste Genetische Algorithmus (RGA) erweitert Standard-Genetische Algorithmen, um Lösungen zu finden, die nicht nur am nominalen Entwurfspunkt gut funktionieren, sondern auch bei Unsicherheiten in Entscheidungsvariablen, Parametern oder Fitnessbewertungen. Durch die Einbeziehung expliziter Robustheitsmaße in den Selektionsdruck gleicht der RGA Optimalität mit der Empfindlichkeit gegenüber Störungen ab. Dies macht ihn geeignet für Ingenieurdesign, Zeitplanung und Politikoptimierung unter realer Variabilität.
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.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/de/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.
- Genetischer AlgorithmusOptimierung↔ compare
- Multi-Objective Genetic Algorithm (MOGA)Simulation↔ compare
- Robuste MehrzieloptimierungSimulation↔ compare
- Robuste PartikelschwarmoptimierungSimulation↔ compare
- Robust Simulated AnnealingSimulation↔ compare
- Stochastischer Genetischer AlgorithmusSimulation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →