Agent-Based NSGA-II — Ottimizzazione Evolutiva Multi-Obiettivo Guidata dalla Simulazione
Agent-based NSGA-II incorpora l'algoritmo evolutivo NSGA-II all'interno di un ciclo di simulazione basato su agenti, in modo che i valori degli obiettivi per ciascuna soluzione candidata siano determinati eseguendo una simulazione completa dell'agente piuttosto che valutando una funzione a forma chiusa. Questo accoppiamento consente l'ottimizzazione multi-obiettivo su sistemi le cui prestazioni emergono dalle interazioni a micro-livello di agenti autonomi piuttosto che da equazioni analiticamente trattabili.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/it/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.
- Modellazione basata su agenti (ABM)Simulazione↔ compare
- Ottimizzazione Multi-Obiettivo Basata su AgentiSimulazione↔ compare
- Multi-Objective Genetic Algorithm (MOGA)Simulazione↔ compare
- NSGA-II StocasticoSimulazione↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →