Robust Genetisk Algoritm — Evolutionär Optimering under Osäkerhet
Den Robusta Genetiska Algoritmen (RGA) utökar standard genetiska algoritmer för att hitta lösningar som presterar väl inte bara vid den nominella designpunkten utan även när de utsätts för osäkerhet i beslutsvariabler, parametrar eller utvärdering av fitness. Genom att införliva explicita robusthetsmått i selektionstrycket balanserar RGA optimalitet mot känslighet för störningar, vilket gör den lämplig för ingenjörsdesign, schemaläggning och policyoptimering under verklig variabilitet.
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
- Jin, Y., Branke, J. (2005). Evolutionary optimization in uncertain environments — a survey. IEEE Transactions on Evolutionary Computation, 9(3), 303–317. DOI: 10.1109/TEVC.2005.846356 ↗
- Beyer, H.-G., Sendhoff, B. (2007). Robust optimization — A comprehensive survey. Computer Methods in Applied Mechanics and Engineering, 196(33–34), 3190–3218. DOI: 10.1016/j.cma.2007.03.003 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/sv/simulation/robust-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.
- Genetisk algoritmOptimering↔ compare
- Multiobjektiv genetisk algoritm (MOGA)Simulering↔ compare
- Robust Multi-Objective OptimizationSimulering↔ compare
- Robust PartikelsvärmoptimeringSimulering↔ compare
- Robust Simulated AnnealingSimulering↔ compare
- Stokastisk genetisk algoritmSimulering↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →