NSGA-II Baseado em Agentes — Otimização Evolutiva Multi-Objetivo Guiada por Simulação
O NSGA-II baseado em agentes incorpora o algoritmo evolutivo NSGA-II em um loop de simulação baseado em agentes, de modo que os valores dos objetivos para cada solução candidata são determinados pela execução de uma simulação completa de agentes, em vez de pela avaliação de uma função de forma fechada. Esse acoplamento permite a otimização multi-objetivo em sistemas cujo desempenho emerge das interações de nível micro de agentes autônomos, em vez de equações analiticamente tratáveis.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/pt/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.
- Modelagem Baseada em Agentes (ABM)Simulação↔ compare
- Otimização Multi-Objetivo Baseada em AgentesSimulação↔ compare
- Algoritmo Genético Multiobjetivo (MOGA)Simulação↔ compare
- Stochastic NSGA-IISimulação↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →