Agentbasert NSGA-II — Simuleringsdrevet evolusjonær multi-objektiv optimalisering
Agentbasert NSGA-II integrerer den evolusjonære algoritmen NSGA-II i en agentbasert simuleringssløyfe, slik at objektivverdiene for hver kandidatløsning bestemmes ved å kjøre en full agent-simulering i stedet for å evaluere en lukket funksjon. Denne koblingen muliggjør multi-objektiv optimalisering av systemer der ytelsen oppstår fra mikrointeraksjonene mellom autonome agenter, snarere enn fra analytisk håndterbare ligninger.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/no/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-basert modellering (ABM)Simulering↔ compare
- Agent-basert multi-objektiv optimeringSimulering↔ compare
- Multi-Objective Genetic Algorithm (MOGA)Simulering↔ compare
- Stochastic NSGA-IISimulering↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →