Στοχαστική Βελτιστοποίηση Πολλαπλών Αντικειμενικών Συναρτήσεων — Βελτιστοποίηση πολλαπλών αντικρουόμενων στόχων υπό αβεβαιότητα
Η Στοχαστική Βελτιστοποίηση Πολλαπλών Αντικειμενικών Συναρτήσεων (Stochastic Multi-Objective Optimization - SMOO) είναι μια κατηγορία μεθόδων που βελτιστοποιεί ταυτόχρονα δύο ή περισσότερους αντικρουόμενους στόχους όταν οι παράμετροι, το κόστος ή οι περιορισμοί είναι αβέβαιοι ή τυχαίοι. Αντί για μία μοναδική βέλτιστη λύση, παράγει ένα μέτωπο Pareto μη κυριαρχούμενων λύσεων, καθεμία από τις οποίες αντιπροσωπεύει μια διαφορετική ισορροπία μεταξύ των στόχων υπό την μοντελοποιημένη αβεβαιότητα.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Πηγές
- Deb, K. (2001). Multi-Objective Optimization Using Evolutionary Algorithms. Wiley, Chichester. ISBN: 9780471873396
- Caramia, M., Dell'Olmo, P. (2008). Multi-Objective Management in Freight Logistics. Springer, London. DOI: 10.1007/978-1-84800-382-8 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Stochastic Multi-Objective Optimization — Multi-criteria optimization under uncertainty with probabilistic objectives or constraints. ScholarGate. https://scholargate.app/el/simulation/stochastic-multi-objective-optimization
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.
- Προσομοίωση Monte CarloΛήψη Αποφάσεων↔ compare
- Βελτιστοποίηση Πολλαπλών ΣτόχωνΠροσομοίωση↔ compare
- Βελτιστοποίηση Πολλαπλών Στόχων με ΕυστάθειαΠροσομοίωση↔ compare
- Στοχαστικός Δυναμικός ΠρογραμματισμόςΠροσομοίωση↔ compare
- Στοχαστικός Γενετικός ΑλγόριθμοςΠροσομοίωση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →