Robuust Genetisch Algoritme — Evolutionaire Optimalisatie onder Onzekerheid
Het Robuuste Genetische Algoritme (RGA) breidt standaard genetische algoritmen uit om oplossingen te vinden die niet alleen goed presteren op het nominale ontwerppunt, maar ook wanneer ze worden blootgesteld aan onzekerheid in beslissingsvariabelen, parameters of fitnessevaluaties. Door expliciete robuustheidsmaatstaven in de selectiedruk te integreren, balanceert RGA optimaliteit tegen gevoeligheid voor verstoringen, waardoor het geschikt is voor engineeringontwerp, planning en beleidsoptimalisatie onder realistische variabiliteit.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/nl/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.
- Genetisch AlgoritmeOptimalisatie↔ compare
- Multi-Objective Genetic Algorithm (MOGA)Simulatie↔ compare
- Robuuste Multi-Objective OptimalisatieSimulatie↔ compare
- Robuuste Particle Swarm OptimizationSimulatie↔ compare
- Robuuste Gesimuleerde AnnealingSimulatie↔ compare
- Stochastisch Genetisch AlgoritmeSimulatie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →