Agent-Based NSGA-II — Optimisation évolutionniste multi-objectifs pilotée par simulation
Agent-based NSGA-II intègre l'algorithme évolutionniste NSGA-II dans une boucle de simulation basée sur des agents, de sorte que les valeurs des objectifs pour chaque solution candidate sont déterminées en exécutant une simulation complète d'agents plutôt qu'en évaluant une fonction analytique. Ce couplage permet l'optimisation multi-objectifs sur des systèmes dont la performance émerge des interactions au niveau micro d'agents autonomes plutôt que d'équations analytiquement traitables.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/fr/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.
- Modélisation Basée sur les Agents (MBA)Simulation↔ compare
- Optimisation multi-objectif basée sur les agentsSimulation↔ compare
- Algorithme Génétique Multi-Objectif (MOGA)Simulation↔ compare
- NSGA-II stochastiqueSimulation↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →