NSGA-II Robuste — Optimisation multi-objectif en présence d'incertitude
Le NSGA-II robuste étend l'algorithme évolutionnaire classique NSGA-II pour tenir compte de l'incertitude paramétrique, en trouvant des solutions de compromis Pareto-optimales qui restent performantes même lorsque les paramètres d'entrée s'écartent de leurs valeurs nominales. Au lieu d'optimiser les valeurs objectives en un seul point, il évalue chaque solution candidate sur une plage ou une distribution de réalisations d'incertitude et sélectionne la robustesse en plus de la dominance de Pareto.
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 ↗
- Deb, K., & Gupta, H. (2006). Introducing robustness in multi-objective optimization. Evolutionary Computation, 14(4), 463-494. DOI: 10.1162/evco.2006.14.4.463 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/fr/simulation/robust-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.
- Algorithme Génétique Multi-Objectif (MOGA)Simulation↔ compare
- Optimisation multi-objectifSimulation↔ compare
- Algorithme Génétique RobusteSimulation↔ compare
- Optimisation Robuste Multi-ObjectifSimulation↔ compare
- NSGA-II stochastiqueSimulation↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →