NSGA-II Robust — Optimizare Multi-obiectiv în Condiții de Incertitudine
NSGA-II Robust extinde algoritmul evolutiv clasic NSGA-II pentru a ține cont de incertitudinea parametrică, găsind soluții de compromis Pareto-optimale care rămân performante chiar și atunci când parametrii de intrare deviază de la valorile lor nominale. În loc să optimizeze valorile obiectivelor într-un singur punct, evaluează fiecare soluție candidată pe o gamă sau distribuție de realizări ale incertitudinii și selectează pentru robustețe alături de dominanța Pareto.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Robust Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/ro/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.
- Algoritm Genetic Multi-Obiectiv (MOGA)Simulare↔ compare
- Optimizare Multi-ObiectivSimulare↔ compare
- Algoritm Genetic RobustSimulare↔ compare
- Optimizare robustă multi-obiectivSimulare↔ compare
- Stochastic NSGA-IISimulare↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →