Agent-gebaseerde NSGA-II — Simulatie-gestuurde Evolutionaire Multi-Objectieve Optimalisatie
Agent-gebaseerde NSGA-II integreert het evolutionaire algoritme NSGA-II binnen een agent-gebaseerde simulatie-lus, zodat de objectieve waarden voor elke kandidaat-oplossing worden bepaald door een volledige agent-simulatie uit te voeren in plaats van door een gesloten-vorm functie te evalueren. Deze koppeling maakt multi-objectieve optimalisatie mogelijk van systemen waarvan de prestaties voortkomen uit de micro-niveau interacties van autonome agenten, in plaats van uit analytisch hanteerbare 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
- 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 ↗
- Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. Journal of Simulation, 4(3), 151-162. DOI: 10.1057/jos.2010.3 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/nl/simulation/agent-based-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.
- Agent-Based Modeling (ABM)Simulatie↔ compare
- Agent-Based Multi-Objective OptimizationSimulatie↔ compare
- Multi-Objective Genetic Algorithm (MOGA)Simulatie↔ compare
- Stochastische NSGA-IISimulatie↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →