Agentbaserad multiobjektiv optimering — decentraliserad evolutionär sökning över konkurrerande mål
Agentbaserad multiobjektiv optimering (ABMOO) integrerar autonoma agenter i en simuleringsmiljö och utvecklar deras beteende eller parametrar för att samtidigt optimera två eller flera motstridiga mål, vilket ger en Pareto-effektiv front av lösningar snarare än ett enda optimum. Metoden lämpar sig för komplexa adaptiva system där mål uppstår från interaktioner på mikronivå snarare än från slutna ekvationer.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Bonabeau, E., Dorigo, M., & Theraulaz, G. (2002). Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press. ISBN: 9780195131598
- Coello Coello, C. A., Lamont, G. B., & Van Veldhuizen, D. A. (2007). Evolutionary Algorithms for Solving Multi-Objective Problems (2nd ed.). Springer. ISBN: 9780387332543
Så citerar du den här sidan
ScholarGate. (2026, June 3). Agent-Based Multi-Objective Optimization — Decentralized evolutionary search across competing objectives. ScholarGate. https://scholargate.app/sv/simulation/agent-based-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.
- Agent-Based Modeling (ABM)Simulering↔ compare
- Multiobjektiv genetisk algoritm (MOGA)Simulering↔ compare
- Multiobjektiv optimeringSimulering↔ compare
- Multi-Objective Particle Swarm Optimization (MOPSO)Simulering↔ compare
- Stokastisk multiobjektiv optimeringSimulering↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →