Agent-Based NSGA-II — Symulacyjnie Sterowana Ewolucyjna Optymalizacja Wielokryterialna
Agent-based NSGA-II osadza ewolucyjny algorytm NSGA-II w pętli symulacji agentowej, dzięki czemu wartości celów dla każdego kandydata są określane przez uruchomienie pełnej symulacji agentowej, a nie przez ewaluację funkcji analitycznej. To sprzężenie umożliwia wielokryterialną optymalizację systemów, których wydajność wyłania się z interakcji autonomicznych agentów na poziomie mikro, a nie z analitycznie uleczalnych równań.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/pl/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.
- Modelowanie agentowe (ABM)Symulacja↔ compare
- Optymalizacja wielokryterialna oparta na agentachSymulacja↔ compare
- Wielo-celowy algorytm genetyczny (MOGA)Symulacja↔ compare
- Stochastic NSGA-IISymulacja↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →