Deterministisk genetisk algoritme — Evolusjonær optimalisering uten tilfeldighet
En deterministisk genetisk algoritme (DGA) anvender den strukturelle rammen for evolusjonær beregning — populasjon, seleksjon, krysning og erstatning — ved å bruke fullstendig deterministiske operatorer og faste beslutningsregler i stedet for stokastisk sampling. Ved å eliminere tilfeldighet blir algoritmen fullstendig reproduserbar: å kjøre den to ganger på samme problem gir identiske løsninger, noe som gjør den håndterbar for grundig benchmarking, reproduserbarhetsstudier og systemer der stokastisitet er uønsket.
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
- Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, Reading, MA. ISBN: 9780201157673
- Mahfoud, S. W. (1995). Niching methods for genetic algorithms. IlliGAL Report No. 95001, University of Illinois at Urbana-Champaign. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Deterministic Genetic Algorithm — Evolutionary optimization with deterministic selection and operators. ScholarGate. https://scholargate.app/no/simulation/deterministic-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.
- Deterministisk Particle Swarm OptimizationSimulering↔ compare
- Genetisk algoritmeOptimering↔ compare
- Multi-Objective Genetic Algorithm (MOGA)Simulering↔ compare
- Simulert annealing – Probabilistisk optimeringOptimering↔ compare
- Stokastisk Genetisk AlgoritmeSimulering↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →