Robust NSGA-II — Daudzmērķu optimizācija nenoteiktības apstākļos
Robust NSGA-II ir klasiskā NSGA-II evolūcijas algoritma paplašinājums, kas paredzēts parametru nenoteiktības uzskaitei, atrodot Pareto optimālus kompromisu risinājumus, kuri saglabā augstu veiktspēju pat tad, ja ieejas parametri atšķiras no nominālajām vērtībām. Tā vietā, lai optimizētu mērķa vērtības vienā punktā, tā novērtē katru kandidātrisinājumu nenoteiktības realizāciju diapazonā vai sadalījumā un izvēlas robustumu līdztekus Pareto dominēšanai.
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 ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/lv/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.
- Daudzobjektīvu ģenētisks algoritms (MOGA)Simulācija↔ compare
- Daudzobjektīvu optimizācijaSimulācija↔ compare
- Robusta ģenētiskā algoritma (RGA) pieejaSimulācija↔ compare
- Robustas daudzobjektīvu optimizācijaSimulācija↔ compare
- Stochastic NSGA-IISimulācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →