Algoritmo Genético Robusto — Otimização Evolucionária sob Incerteza
O Algoritmo Genético Robusto (RGA) estende os algoritmos genéticos padrão para encontrar soluções que apresentem bom desempenho não apenas no ponto de projeto nominal, mas também quando sujeitas a incertezas nas variáveis de decisão, parâmetros ou avaliações de aptidão. Ao incorporar medidas explícitas de robustez na pressão de seleção, o RGA equilibra a otimalidade com a sensibilidade à perturbação, tornando-o adequado para projeto de engenharia, agendamento e otimização de políticas sob variabilidade do mundo real.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/pt/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.
- Algoritmo GenéticoOtimização↔ compare
- Algoritmo Genético Multiobjetivo (MOGA)Simulação↔ compare
- Otimização Robusta Multi-ObjetivoSimulação↔ compare
- Otimização Robusta por Enxame de PartículasSimulação↔ compare
- Anneamento Simulado RobustoSimulação↔ compare
- Algoritmo Genético EstocásticoSimulação↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →