Agent-Based NSGA-II — Simuladriven evolutionär multi-objektiv optimering
Agent-based NSGA-II bäddar in den evolutionära algoritmen NSGA-II i en agentbaserad simuleringsloop så att objektivvärden för varje kandidatlösning bestäms genom att köra en fullständig agentsimulering snarare än genom att utvärdera en sluten funktion. Denna koppling möjliggör multi-objektiv optimering över system vars prestanda uppstår från mikrointeraktioner mellan autonoma agenter snarare än från analytiskt hanterbara 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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/sv/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.
- Agent-Based Modeling (ABM)Simulering↔ compare
- Agentbaserad multiobjektiv optimeringSimulering↔ compare
- Multiobjektiv genetisk algoritm (MOGA)Simulering↔ compare
- Stochastic NSGA-IISimulering↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →