Детерминированный генетический алгоритм — эволюционная оптимизация без случайности
Детерминированный генетический алгоритм (DGA) применяет структурную основу эволюционных вычислений — популяцию, отбор, скрещивание и замещение — используя полностью детерминированные операторы и фиксированные правила принятия решений вместо стохастического сэмплирования. Устраняя случайность, алгоритм становится полностью воспроизводимым: двукратный запуск на одной и той же задаче дает идентичные решения, что делает его пригодным для строгого бенчмаркинга, исследований воспроизводимости и систем, где стохастичность нежелательна.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, Reading, MA. ISBN: 9780201157673
- Mahfoud, S. W. (1995). Niching methods for genetic algorithms. IlliGAL Report No. 95001, University of Illinois at Urbana-Champaign. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Deterministic Genetic Algorithm — Evolutionary optimization with deterministic selection and operators. ScholarGate. https://scholargate.app/ru/simulation/deterministic-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.
- Детерминизированная оптимизация роем частицИмитационное моделирование↔ compare
- Генетический алгоритмОптимизация↔ compare
- Многокритериальный генетический алгоритм (MOGA)Имитационное моделирование↔ compare
- Имитация отжигаОптимизация↔ compare
- Стохастический генетический алгоритмИмитационное моделирование↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →