NSGA-II Robusto — Ottimizzazione Multi-obiettivo in Condizioni di Incertezza
NSGA-II Robusto estende il classico algoritmo evolutivo NSGA-II per tenere conto dell'incertezza parametrica, trovando soluzioni di compromesso Pareto-ottimali che rimangono performanti anche quando i parametri di input deviano dai loro valori nominali. Invece di ottimizzare i valori obiettivo in un singolo punto, valuta ogni soluzione candidata attraverso un intervallo o una distribuzione di realizzazioni di incertezza e seleziona per robustezza oltre alla dominanza di Pareto.
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 ↗
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Robust Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/it/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.
- Multi-Objective Genetic Algorithm (MOGA)Simulazione↔ compare
- Ottimizzazione Multi-ObiettivoSimulazione↔ compare
- Algoritmo Genetico RobustoSimulazione↔ compare
- Ottimizzazione Robusta Multi-ObiettivoSimulazione↔ compare
- NSGA-II StocasticoSimulazione↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →