ScholarGate
ผู้ช่วย

วิธีการจำลอง

91 วิธีในตระกูลนี้

แนะนำ

ออโตมาตาเซลลูลาร์ฐานเอเจนต์Agent-Based Cellular Automata (ABCA) is a hybrid simulation framework that integrates the local transition rules of cellular automata with the autonomous behavioral logic of agent-การจำลองเหตุการณ์แบบไม่ต่อเนื่องที่ขับเคลื่อนด้วยเอเจนต์Agent-based discrete-event simulation (AB-DES) is a hybrid modeling paradigm that couples autonomous agent behavior with an event-driven execution engine. It captures the decision-แบบจำลองมาร์คอฟแบบขับเคลื่อนด้วยเอเจนต์The Agent-Based Markov Model (ABMM) is a hybrid simulation framework that embeds Markov chain state-transition logic inside individual autonomous agents. Each agent independently sAgent-Based MicrosimulationAgent-based microsimulation (ABMS) merges traditional microsimulation's individual-level statistical tracking with agent-based modeling's behavioral rules and interaction mechanismการสร้างแบบจำลองเชิงเอเจนต์ (ABM)Agent-based modeling (ABM) is a computational simulation method, formalized through the work of Thomas Schelling and Robert Axelrod in the 1970s–1990s, that simulates the behavior Agent-based multi-objective optimizationAgent-based multi-objective optimization (ABMOO) embeds autonomous agents inside a simulation environment and evolves their behavior or parameters to simultaneously optimize two or

Reading path

This topic's most-referenced foundational methods, in the order they were developed — a place to start if you're new here.

  1. การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์1896 (concept); 1989–2002 (evolutionary algorithms era)by Vilfredo Pareto (concept); modern computational formulation by Goldberg and Deb et al.
  2. แบบจำลองมาร์คอฟ1906by Andrei Markov
  3. Markov Chain Monte Carlo (MCMC)1953 (Metropolis-Hastings); 1984 (Gibbs)by Metropolis et al. (1953); Gibbs sampler formalised by Geman & Geman (1984)
  4. การจำลองเหตุการณ์แบบไม่ต่อเนื่อง (Discrete-Event Simulation - DES)1960s (formalized); modern computational form from 1970s onwardby Banks, Carson, Nelson & Nicol (textbook lineage); foundational work by Tocher & Conway (1960s)
  5. พลวัตของระบบ1961by Jay W. Forrester
  6. การวิเคราะห์สถานการณ์นโยบาย1967–1990sby Kahn, H. & Wiener, A. J. (seminal); adapted for policy by RAND Corporation and OECD
  7. การสร้างแบบจำลองเชิงเอเจนต์ (ABM)1970s–1990s (formalized as a field)by Thomas Schelling and Robert Axelrod (foundational contributions, 1970s–1990s)
  8. การสุ่มตัวอย่างแบบละตินไฮเปอร์คิวบ์1979
all methods on this shelf ↓

วิธีทั้งหมด 91

ออโตมาตาเซลลูลาร์ฐานเอเจนต์การจำลองเหตุการณ์แบบไม่ต่อเนื่องที่ขับเคลื่อนด้วยเอเจนต์แบบจำลองมาร์คอฟแบบขับเคลื่อนด้วยเอเจนต์Agent-Based Microsimulationการสร้างแบบจำลองเชิงเอเจนต์ (ABM)Agent-based multi-objective optimizationการวิเคราะห์สถานการณ์โดยใช้ตัวแทน (Agent-Based Scenario Analysis)การวิเคราะห์ความไวแบบเอเจนต์พลวัตระบบฐานตัวแทนเซลลูลาร์ออโตมาตาแบบจำลองเชิงกำหนดโดยใช้เอเจนต์ (Deterministic Agent-Based Modeling)Automata เซลลูลาร์แบบกำหนดได้การจำลองเหตุการณ์แบบไม่สุ่มแบบไม่ต่อเนื่องแบบจำลองมาร์คอฟเชิงกำหนดการจำลองจุลภาคแบบกำหนดค่าได้ (Deterministic Microsimulation)การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์เชิงกำหนดการวิเคราะห์สถานการณ์แบบกำหนดค่าได้การวิเคราะห์ความไวแบบกำหนดได้ (Deterministic Sensitivity AnalysisพลวัตระบบเชิงกำหนดDigital Twin Simulationการจำลองการเลือกแบบไม่ต่อเนื่องการจำลองเหตุการณ์แบบไม่ต่อเนื่อง (Discrete-Event Simulation - DES)การจำลองเหตุการณ์แบบไม่ต่อเนื่อง (Discrete-Event System Simulation)Ensemble Kalman Filterการวิเคราะห์แฟร็กทัลGeant4 Simulationการวิเคราะห์ความไวทั่วโลกการชักตัวอย่างแบบ Importance Samplingการจำลองแบบมอนติคาร์โลของแบบจำลองไอซิงการสุ่มตัวอย่างแบบละตินไฮเปอร์คิวบ์ระเบียบวิธี Longstaff-SchwartzMarkov Chain Monte Carlo (MCMC)แบบจำลองมาร์คอฟMicrosimulationการขนส่งนิวตรอนและอนุภาคแบบมอนติคาร์โลการวิเคราะห์ความแปรผันของกระบวนการแบบมอนติคาร์โลการสร้างแบบจำลองเชิงเอเจนต์แบบหลายวัตถุประสงค์ออโตมาตาเซลลูลาร์หลายวัตถุประสงค์การจำลองเหตุการณ์แบบไม่ต่อเนื่องหลายวัตถุประสงค์แบบจำลองมาร์คอฟหลายวัตถุประสงค์การจำลองจุลภาคแบบหลายวัตถุประสงค์การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์การวิเคราะห์สถานการณ์แบบหลายวัตถุประสงค์การวิเคราะห์ความไวต่อหลายวัตถุประสงค์พลวัตระบบหลายวัตถุประสงค์การอินทิเกรตตามวิถีแบบมอนติคาร์โลPolicy Scenario Agent-Based Modelingการวิเคราะห์สถานการณ์นโยบายเซลลูลาร์ออโตมาตาสำหรับสถานการณ์นโยบายการจำลองเหตุการณ์แบบไม่ต่อเนื่องตามสถานการณ์นโยบายการจำลองจุลภาคสถานการณ์นโยบายการจำลองแบบมอนติคาร์โลสำหรับสถานการณ์นโยบายการหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์ตามสถานการณ์นโยบายการวิเคราะห์ความอ่อนไหวของสถานการณ์เชิงนโยบายPolicy Scenario System Dynamicsควอนตัมมอนติคาร์โลการวิเคราะห์ปริมาณการเกิดซ้ำ (Recurrence Quantification Analysis - RQA)การสร้างแบบจำลองฐานตัวแทนที่แข็งแกร่งการจำลองเหตุการณ์แบบไม่ต่อเนื่องที่แข็งแกร่งRobust Markov ModelRobust Microsimulationการหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์ที่ทนทานการวิเคราะห์สถานการณ์เชิงทนทานการวิเคราะห์ความไวที่คงทนSample EntropyScenario Analysisภาวะวิกฤตที่จัดระเบียบตนเองการวิจัยเชิงยืนยันที่อาศัยการจำลองสถานการณ์แผนภูมิควบคุมที่ใช้การจำลองการวิเคราะห์แผนภูมิต้นไม้เหตุการณ์ด้วยการจำลองสถานการณ์การวิเคราะห์รูปแบบผลกระทบและความเสียหายที่ได้รับความช่วยเหลือจากการจำลองการวิเคราะห์แผนภูมิต้นไม้แห่งความผิดพร่องด้วยการจำลองสถานการณ์Simulation-assisted hypothesis testing researchการวิเคราะห์ความสามารถของกระบวนการโดยใช้การจำลองการวิเคราะห์เนื้อหาเชิงปริมาณโดยใช้การจำลองช่วยการวิเคราะห์ความน่าเชื่อถือโดยใช้การจำลองการควบคุมกระบวนการทางสถิติโดยใช้การจำลองการวิจัยแนวโน้มโดยใช้การจำลองStochastic Cellular Automataสมการเชิงอนุพันธ์สุ่ม (Stochastic Differential Equations - SDEs)การจำลองเหตุการณ์ไม่ต่อเนื่องแบบสุ่มแบบจำลองมาร์คอฟแบบสุ่มการจำลองจุลภาคเชิงสุ่มการหาค่าเหมาะที่สุดหลายวัตถุประสงค์เชิงสุ่มการวิเคราะห์สถานการณ์เชิงสุ่มการวิเคราะห์ความไวเชิงสุ่มพลวัตระบบเชิงสุ่มพลวัตของระบบมูลค่าความเสี่ยงเทคนิคการลดความแปรปรวนสำหรับการจำลองแบบมอนติคาร์โลVEGAS