Агентно-ориентированный NSGA-II — эволюционная многокритериальная оптимизация, управляемая симуляцией
Агентно-ориентированный NSGA-II встраивает эволюционный алгоритм NSGA-II в цикл агентно-ориентированной симуляции, так что значения целевых функций для каждого кандидата решения определяются путем запуска полной агентной симуляции, а не путем оценки замкнутой функции. Эта связь обеспечивает многокритериальную оптимизацию систем, производительность которых возникает из микроуровневых взаимодействий автономных агентов, а не из аналитически разрешимых уравнений.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/ru/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.
- Агентное моделирование (АМ)Имитационное моделирование↔ compare
- Агентно-ориентированная многокритериальная оптимизацияИмитационное моделирование↔ compare
- Многокритериальный генетический алгоритм (MOGA)Имитационное моделирование↔ compare
- Стохастический NSGA-IIИмитационное моделирование↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →