Deterministiskais ģenētiskais algoritms — Evolucionāra optimizācija bez nejaušības
Deterministiskais ģenētiskais algoritms (DGA) izmanto evolucionārās skaitļošanas strukturālo sistēmu — populāciju, selekciju, krustojumu un aizvietošanu — izmantojot pilnīgi deterministiskus operatorus un fiksētus lēmumu pieņemšanas noteikumus, nevis stohastisku paraugu ņemšanu. Eliminējot nejaušību, algoritms kļūst pilnībā reproducējams: divreiz izpildot to pašu uzdevumu, tiek iegūti identiski risinājumi, padarot to piemērotu stingrai etalonēšanai, reproducibilitātes pētījumiem un sistēmām, kurās stohasticitāte nav vēlama.
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
- Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, Reading, MA. ISBN: 9780201157673
- Mahfoud, S. W. (1995). Niching methods for genetic algorithms. IlliGAL Report No. 95001, University of Illinois at Urbana-Champaign. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Deterministic Genetic Algorithm — Evolutionary optimization with deterministic selection and operators. ScholarGate. https://scholargate.app/lv/simulation/deterministic-genetic-algorithm
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.
- Deterministiskā daļiņu baru optimizācijaSimulācija↔ compare
- Ģenētiskais algoritmsOptimizācija↔ compare
- Daudzobjektīvu ģenētisks algoritms (MOGA)Simulācija↔ compare
- Simulated AnnealingOptimizācija↔ compare
- Stochastic Genetic AlgorithmSimulācija↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →