Deterministiskā daudzobjektu optimizācija — klasiskās uz Pareto balstītās un skalarizācijas metodes
Deterministiskā daudzobjektu optimizācija (Deterministic MOO) ir klasisku optimizācijas pieeju saime, kas vienlaicīgi minimizē vai maksimizē vairākas pretrunīgas mērķa funkcijas deterministiskā pieļaujamā kopā. Tā rada Pareto fronti — nedominēto risinājumu kopu —, no kuras lēmumu pieņēmējs izvēlas vēlamo kompromisu. Atšķirībā no stohastiskajiem variantiem, visi mērķa novērtējumi un ierobežojumi ir fiksēti un bez trokšņiem.
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. (2001). Multi-Objective Optimization Using Evolutionary Algorithms. Wiley, Chichester. ISBN: 978-0-471-87339-6
- Miettinen, K. (1999). Nonlinear Multiobjective Optimization. Springer, Boston. ISBN: 978-1-4613-7544-9
Kā citēt šo lapu
ScholarGate. (2026, June 3). Deterministic Multi-Objective Optimization — Classical Pareto-based and scalarization approaches without stochastic components. ScholarGate. https://scholargate.app/lv/simulation/deterministic-multi-objective-optimization
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.
- Daudzobjektīvu lineārā programmēšana (MOLP)Simulācija↔ compare
- Daudzobjektīvu optimizācijaSimulācija↔ compare
- Stochastic Multi-Objective OptimizationSimulācija↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →