Algoritma Genetik Stokastik — Pencarian Evolusi Rawak untuk Pengoptimuman
Algoritma Genetik Stokastik (SGA) ialah metaheuristik berasaskan populasi yang meniru evolusi biologi — pemilihan, pindah silang, dan mutasi — untuk mencari penyelesaian hampir optimum dalam ruang yang kompleks, tak linear, atau kombinatorial. Pengendali rawaknya menjadikannya teguh terhadap optima tempatan dan boleh digunakan secara meluas dalam bidang kejuruteraan, penjadualan, pembelajaran mesin, dan penyelidikan operasi.
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
- Holland, J. H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor. ISBN: 978-0262581110
- Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, Reading, MA. ISBN: 978-0201157673
Cara memetik halaman ini
ScholarGate. (2026, June 3). Stochastic Genetic Algorithm — Randomized evolutionary search for combinatorial and continuous optimization. ScholarGate. https://scholargate.app/ms/simulation/stochastic-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
- Particle Swarm Optimization (PSO)Pengoptimuman↔ compare
- Simulated AnnealingPengoptimuman↔ compare
- Pengoptimuman Pelbagai Objektif StokastikSimulasi↔ compare
- Stochastic Particle Swarm OptimizationSimulasi↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →