Aģentu balstīta NSGA-II — simulāciju vadīta evolūcijas daudzmērķu optimizācija
Aģentu balstīta NSGA-II ietver NSGA-II evolūcijas algoritmu aģentu balstītas simulācijas ciklā, lai katra kandidātsolūtnes mērķa vērtības noteiktu, veicot pilnu aģentu simulāciju, nevis izmantojot slēgtas formulas novērtējumu. Šī savienošana nodrošina daudzmērķu optimizāciju sistēmām, kuru veiktspēja rodas no autonomo aģentu mijiedarbības mikrolīmenī, nevis no analītiski traktējamām vienādojumiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/lv/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.
- Aģentu modelēšana (ABM)Simulācija↔ compare
- Aģentu balstīta daudzobjektu optimizācijaSimulācija↔ compare
- Daudzobjektīvu ģenētisks algoritms (MOGA)Simulācija↔ compare
- Stochastic NSGA-IISimulācija↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →