Robuust NSGA-II — Multi-objectief Optimalisatie onder Onzekerheid
Robuust NSGA-II breidt het klassieke evolutionaire algoritme NSGA-II uit om rekening te houden met parametrische onzekerheid, en vindt Pareto-optimale afwegingsoplossingen die goed blijven presteren, zelfs wanneer invoerparameters afwijken van hun nominale waarden. In plaats van objectieve waarden op één enkel punt te optimaliseren, evalueert het elke kandidaatoplossing over een bereik of distributie van onzekerheidsrealisaties en selecteert het op robuustheid naast Pareto-dominantie.
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 ↗
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/nl/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.
- Multi-Objective Genetic Algorithm (MOGA)Simulatie↔ compare
- Multi-Objective OptimizationSimulatie↔ compare
- Robuust Genetisch AlgoritmeSimulatie↔ compare
- Robuuste Multi-Objective OptimalisatieSimulatie↔ compare
- Stochastische NSGA-IISimulatie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →