Agent-Based Multi-Objective Optimization — Gedecentraliseerde evolutionaire zoektocht over concurrerende doelstellingen
Agent-based multi-objective optimization (ABMOO) [agent-gebaseerde multi-objectieve optimalisatie] integreert autonome agenten in een simulatieomgeving en evolueert hun gedrag of parameters om gelijktijdig twee of meer conflicterende doelstellingen te optimaliseren, wat resulteert in een Pareto-efficiënte grens van oplossingen in plaats van een enkel optimum. Het is geschikt voor complexe adaptieve systemen waarbij doelstellingen voortkomen uit micro-niveau interacties in plaats van uit gesloten-vorm vergelijkingen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Bonabeau, E., Dorigo, M., & Theraulaz, G. (2002). Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press. ISBN: 9780195131598
- Coello Coello, C. A., Lamont, G. B., & Van Veldhuizen, D. A. (2007). Evolutionary Algorithms for Solving Multi-Objective Problems (2nd ed.). Springer. ISBN: 9780387332543
Deze pagina citeren
ScholarGate. (2026, June 3). Agent-Based Multi-Objective Optimization — Decentralized evolutionary search across competing objectives. ScholarGate. https://scholargate.app/nl/simulation/agent-based-multi-objective-optimization
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.
- Agent-Based Modeling (ABM)Simulatie↔ compare
- Multi-Objective Genetic Algorithm (MOGA)Simulatie↔ compare
- Multi-Objective OptimizationSimulatie↔ compare
- Multi-Objective Particle Swarm Optimization (MOPSO)Simulatie↔ compare
- Stochastische Multi-Objective OptimalisatieSimulatie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →