Algoritmo Genético Robusto — Optimización Evolutiva bajo Incertidumbre
El Algoritmo Genético Robusto (RGA) extiende los algoritmos genéticos estándar para encontrar soluciones que funcionen bien no solo en el punto de diseño nominal, sino también cuando están sujetas a incertidumbre en las variables de decisión, parámetros o evaluaciones de aptitud. Al incorporar medidas explícitas de robustez en la presión selectiva, el RGA equilibra la optimización frente a la sensibilidad a las perturbaciones, haciéndolo adecuado para el diseño de ingeniería, la planificación y la optimización de políticas bajo la variabilidad del mundo real.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/es/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.
- Algoritmo GenéticoOptimización↔ compare
- Algoritmo Genético Multiobjetivo (MOGA)Simulación↔ compare
- Optimización Multiobjetivo RobustaSimulación↔ compare
- Optimización Robusta por Enjambre de PartículasSimulación↔ compare
- Annealing Simulado RobustoSimulación↔ compare
- Algoritmo Genético EstocásticoSimulación↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →