Robusta ģenētiskā algoritma (RGA) pieeja — Evolucionāra optimizācija nenoteiktības apstākļos
Robusta ģenētiskā algoritma (RGA) pieeja paplašina standarta ģenētiskos algoritmus, lai atrastu risinājumus, kas labi darbojas ne tikai nominālajā projektēšanas punktā, bet arī pie nenoteiktības lēmumu mainīgajos, parametros vai novērtējuma funkcijas izvērtējumos. Iekļaujot skaidrus robustuma mērījumus atlases spiedienā, RGA līdzsvaro optimālitāti ar jutīgumu pret perturbācijām, padarot to piemērotu inženierprojektēšanā, plānošanā un politikas optimizācijā, ņemot vērā reālās pasaules mainīgumu.
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
- Jin, Y., Branke, J. (2005). Evolutionary optimization in uncertain environments — a survey. IEEE Transactions on Evolutionary Computation, 9(3), 303–317. DOI: 10.1109/TEVC.2005.846356 ↗
- Beyer, H.-G., Sendhoff, B. (2007). Robust optimization — A comprehensive survey. Computer Methods in Applied Mechanics and Engineering, 196(33–34), 3190–3218. DOI: 10.1016/j.cma.2007.03.003 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/lv/simulation/robust-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.
- Ģenētiskais algoritmsOptimizācija↔ compare
- Daudzobjektīvu ģenētisks algoritms (MOGA)Simulācija↔ compare
- Robustas daudzobjektīvu optimizācijaSimulācija↔ compare
- Robustā daļiņu baru optimizācijaSimulācija↔ compare
- Robust Simulated AnnealingSimulācija↔ compare
- Stochastic Genetic AlgorithmSimulācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →