الگوریتم ژنتیک مقاوم — بهینهسازی تکاملی تحت عدم قطعیت
الگوریتم ژنتیک مقاوم (RGA) الگوریتمهای ژنتیک استاندارد را توسعه میدهد تا راهحلهایی را بیابد که نه تنها در نقطه طراحی اسمی عملکرد خوبی دارند، بلکه در مواجهه با عدم قطعیت در متغیرهای تصمیم، پارامترها، یا ارزیابیهای برازندگی نیز عملکرد مطلوبی از خود نشان میدهند. با گنجاندن معیارهای صریح مقاومت در فشار انتخاب، RGA بهینگی را در برابر حساسیت به اغتشاش متعادل میکند و آن را برای طراحی مهندسی، زمانبندی، و بهینهسازی سیاستگذاری تحت تغییرپذیری دنیای واقعی مناسب میسازد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/fa/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.
- الگوریتم ژنتیکبهینهسازی↔ compare
- الگوریتم ژنتیک چندهدفه (MOGA)شبیهسازی↔ compare
- بهینهسازی چندهدفه استوارشبیهسازی↔ compare
- بهینهسازی ازدحام ذرات قویشبیهسازی↔ compare
- بهینهسازی تبرید شبیهسازی شده قویشبیهسازی↔ compare
- الگوریتم ژنتیک تصادفیشبیهسازی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →