Recuit simulé robuste — Recherche de solutions qui restent bonnes en situation d'incertitude
Le recuit simulé robuste (RSA) adapte la métaheuristique classique du recuit simulé pour rechercher des solutions qui fonctionnent bien non seulement dans des conditions nominales, mais aussi sur toute la gamme des valeurs de paramètres incertaines ou adverses. En intégrant une évaluation de robustesse — pire cas, cas moyen, ou basé sur le regret — dans l'étape d'acceptation du recuit simulé, le RSA troque une partie de l'optimalité nominale contre la résilience, ce qui le rend précieux lorsque les paramètres du problème sont connus de manière imprécise ou sujets à des variations environnementales.
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
- Kirkpatrick, S., Gelatt, C. D., Vecchi, M. P. (1983). Optimization by simulated annealing. Science, 220(4598), 671-680. DOI: 10.1126/science.220.4598.671 ↗
- Ben-Tal, A., El Ghaoui, L., Nemirovski, A. (2009). Robust Optimization. Princeton University Press, Princeton, NJ. ISBN: 9780691143682
Comment citer cette page
ScholarGate. (2026, June 3). Robust Simulated Annealing — Uncertainty-aware stochastic local search for robust solutions. ScholarGate. https://scholargate.app/fr/simulation/robust-simulated-annealing
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 RobusteSimulation↔ compare
- Optimisation Robuste Multi-ObjectifSimulation↔ compare
- Optimisation robuste par essaims particulairesSimulation↔ compare
- Recherche Tabou RobusteSimulation↔ compare
- Recuit simuléOptimisation↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →