Robust NSGA-II — Multi-objektive Optimierung unter Unsicherheit
Robust NSGA-II erweitert den klassischen evolutionären Algorithmus NSGA-II, um parametrische Unsicherheit zu berücksichtigen und Pareto-optimale Kompromisslösungen zu finden, die auch dann hohe Leistung erbringen, wenn die Eingabeparameter von ihren Nennwerten abweichen. Anstatt objektive Werte an einem einzigen Punkt zu optimieren, bewertet er jede Kandidatenlösung über eine Bandbreite oder Verteilung von Unsicherheitsrealisierungen und wählt sie anhand von Robustheit und Pareto-Dominanz aus.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/de/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-Objective Genetic Algorithm (MOGA)Simulation↔ compare
- Mehrzieloptimierung – Gleichzeitige Optimierung widerstreitender ZieleSimulation↔ compare
- Robuster Genetischer AlgorithmusSimulation↔ compare
- Robuste MehrzieloptimierungSimulation↔ compare
- Stochastic NSGA-IISimulation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →