Детерминированное многокритериальное оптимизация — Классические методы на основе Парето и скаляризации
Детерминированное многокритериальное оптимизация (Deterministic MOO) — это семейство классических подходов к оптимизации, которые одновременно минимизируют или максимизируют несколько конфликтующих целевых функций в детерминированной допустимой области. В результате получается фронт Парето — множество недоминируемых решений, из которого лицо, принимающее решение, выбирает предпочтительный компромисс. В отличие от стохастических вариантов, все оценки целей и ограничения фиксированы и не подвержены шуму.
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. (2001). Multi-Objective Optimization Using Evolutionary Algorithms. Wiley, Chichester. ISBN: 978-0-471-87339-6
- Miettinen, K. (1999). Nonlinear Multiobjective Optimization. Springer, Boston. ISBN: 978-1-4613-7544-9
Как цитировать эту страницу
ScholarGate. (2026, June 3). Deterministic Multi-Objective Optimization — Classical Pareto-based and scalarization approaches without stochastic components. ScholarGate. https://scholargate.app/ru/simulation/deterministic-multi-objective-optimization
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.
- Многокритериальное линейное программирование (МКЛП)Имитационное моделирование↔ compare
- Многокритериальная оптимизацияИмитационное моделирование↔ compare
- Стохастическая многокритериальная оптимизацияИмитационное моделирование↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →