NSGA-II Basado en Agentes — Optimización Evolutiva Multi-Objetivo Impulsada por Simulación
NSGA-II basado en agentes incrusta el algoritmo evolutivo NSGA-II dentro de un bucle de simulación basado en agentes, de modo que los valores objetivo para cada solución candidata se determinan ejecutando una simulación completa de agentes en lugar de evaluar una función de forma cerrada. Este acoplamiento permite la optimización multi-objetivo sobre sistemas cuyo rendimiento emerge de las interacciones a nivel micro de agentes autónomos en lugar de ecuaciones analíticamente tratables.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
- Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. Journal of Simulation, 4(3), 151-162. DOI: 10.1057/jos.2010.3 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/es/simulation/agent-based-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.
- Modelado Basado en Agentes (MBA)Simulación↔ compare
- Optimización Multi-objetivo Basada en AgentesSimulación↔ compare
- Algoritmo Genético Multiobjetivo (MOGA)Simulación↔ compare
- Stochastic NSGA-IISimulación↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →