Robust NSGA-II — Optymalizacja wielokryterialna w warunkach niepewności
Robust NSGA-II rozszerza klasyczny algorytm ewolucyjny NSGA-II o uwzględnienie niepewności parametrycznej, znajdując Pareto-optymalne rozwiązania kompromisowe, które pozostają wysoce wydajne nawet przy odchyleniach parametrów wejściowych od ich wartości nominalnych. Zamiast optymalizować wartości celów w pojedynczym punkcie, ocenia on każde kandydackie rozwiązanie w zakresie lub rozkładzie realizacji niepewności i wybiera pod kątem odporności obok dominacji Pareto.
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 ↗
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/pl/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.
- Wielo-celowy algorytm genetyczny (MOGA)Symulacja↔ compare
- Optymalizacja wielocelowaSymulacja↔ compare
- Solidny algorytm genetycznySymulacja↔ compare
- Solidna optymalizacja wielokryterialnaSymulacja↔ compare
- Stochastic NSGA-IISymulacja↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →