NSGA-II Teguh — Pengoptimuman Pelbagai Objektif di Bawah Ketidakpastian
NSGA-II Teguh melanjutkan algoritma evolusi NSGA-II klasik untuk mengambil kira ketidakpastian parametrik, mencari penyelesaian perdagangan Pareto-optimal yang kekal berprestasi tinggi walaupun apabila parameter input menyimpang daripada nilai nominalnya. Daripada mengoptimumkan nilai objektif pada satu titik, ia menilai setiap penyelesaian calon merentasi julat atau taburan realisasi ketidakpastian dan memilih untuk keteguhan bersama-sama dengan dominan Pareto.
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
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Robust Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/ms/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.
- Algoritma Genetik Multi-Objektif (MOGA)Simulasi↔ compare
- Pengoptimuman Pelbagai ObjektifSimulasi↔ compare
- Algoritma Genetik TeguhSimulasi↔ compare
- Pengoptimuman Pelbagai Objektif yang TeguhSimulasi↔ compare
- NSGA-II StokastikSimulasi↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →