Algoritma Genetik Teguh — Pengoptimuman Evolusioner di Bawah Ketidakpastian
Algoritma Genetik Teguh (RGA) melanjutkan algoritma genetik standard untuk mencari penyelesaian yang berprestasi baik bukan sahaja pada titik reka bentuk nominal tetapi juga apabila tertakluk kepada ketidakpastian dalam pembolehubah keputusan, parameter, atau penilaian kecergasan. Dengan menggabungkan ukuran keteguhan eksplisit ke dalam tekanan pemilihan, RGA mengimbangi optimum dengan sensitiviti terhadap gangguan, menjadikannya sesuai untuk reka bentuk kejuruteraan, penjadualan, dan pengoptimuman dasar di bawah variabiliti dunia sebenar.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/ms/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.
- Algoritma GenetikPengoptimuman↔ compare
- Algoritma Genetik Multi-Objektif (MOGA)Simulasi↔ compare
- Pengoptimuman Pelbagai Objektif yang TeguhSimulasi↔ compare
- Robust Particle Swarm OptimizationSimulasi↔ compare
- Simulated Annealing RobustSimulasi↔ compare
- Algoritma Genetik StokastikSimulasi↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →