Solidny algorytm genetyczny — optymalizacja ewolucyjna w warunkach niepewności
Solidny algorytm genetyczny (RGA) rozszerza standardowe algorytmy genetyczne, aby znajdować rozwiązania, które działają dobrze nie tylko w nominalnym punkcie projektowym, ale także w warunkach niepewności zmiennych decyzyjnych, parametrów lub ocen funkcji celu. Poprzez włączenie jawnych miar solidności do presji selekcyjnej, RGA równoważy optymalność z wrażliwością na perturbacje, co czyni go odpowiednim do projektowania inżynierskiego, harmonogramowania i optymalizacji polityk w warunkach zmienności świata rzeczywistego.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/pl/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.
- Algorytm genetycznyOptymalizacja↔ compare
- Wielo-celowy algorytm genetyczny (MOGA)Symulacja↔ compare
- Solidna optymalizacja wielokryterialnaSymulacja↔ compare
- Solidna optymalizacja rojem cząstekSymulacja↔ compare
- Niezawodne symulowane wyżarzanieSymulacja↔ compare
- Algorytm genetyczny stochastycznySymulacja↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →