ScholarGate
ผู้ช่วย

เมตาฮิวริสติก

48 วิธีในตระกูลนี้

แนะนำ

การปรับให้เหมาะสมด้วยวิธีฝูงมดแบบเอเจนต์Agent-Based Ant Colony Optimization (AB-ACO) models individual ants as autonomous agents that probabilistically construct solutions by following and depositing pheromone trails on Agent-Based Genetic AlgorithmAn Agent-Based Genetic Algorithm (ABGA) partitions a genetic algorithm's population across a network of autonomous agents, each maintaining a local sub-population and evolving it iAgent-Based NSGA-IIAgent-based NSGA-II embeds the NSGA-II evolutionary algorithm inside an agent-based simulation loop so that objective values for each candidate solution are determined by running aAgent-Based Tabu SearchAgent-Based Tabu Search (ABTS) embeds the tabu search metaheuristic inside a multi-agent framework where autonomous agents each run independent or cooperating tabu search threads, Ant Colony OptimizationAnt Colony Optimization (ACO) is a metaheuristic algorithm introduced by Marco Dorigo and colleagues in the early 1990s that solves combinatorial optimisation problems by simulatinการหาค่าเหมาะที่สุดด้วยการจำลองพฤติกรรมฝูงผึ้ง (Artificial Bee Colony - ABC)Artificial Bee Colony (ABC) is a population-based swarm intelligence metaheuristic introduced by Karaboga and Basturk in 2007. It models the cooperative foraging behavior of a hone

เส้นทางการอ่าน

ระเบียบวิธีเชิงรากฐานที่ถูกอ้างอิงมากที่สุดของหัวข้อนี้ เรียงตามลำดับการพัฒนา — จุดเริ่มต้นที่ดีหากท่านเพิ่งเริ่มศึกษา

  1. Genetic Algorithm1975โดย John Henry Holland
  2. Simulated Annealing1983
  3. Multi-Objective Genetic Algorithm (MOGA)1984โดย Schaffer, J. D. (early MOGA); Goldberg, D. E. (GA foundations)
  4. Tabu Search1989โดย Fred Glover
  5. Ant Colony Optimization1992 (foundational thesis); 1997 (Ant Colony System formalization)
  6. Particle Swarm Optimization (PSO)1995
  7. Differential Evolution1997โดย Rainer Storn & Kenneth Price
  8. Multi-Objective Particle Swarm Optimization (MOPSO)2004โดย Coello Coello, C. A., Pulido, G. T., & Lechuga, M. S.
ระเบียบวิธีทั้งหมดบนชั้นนี้ ↓

วิธีทั้งหมด 48

การปรับให้เหมาะสมด้วยวิธีฝูงมดแบบเอเจนต์Agent-Based Genetic AlgorithmAgent-Based NSGA-IIAgent-Based Tabu SearchAnt Colony Optimizationการหาค่าเหมาะที่สุดด้วยการจำลองพฤติกรรมฝูงผึ้ง (Artificial Bee Colony - ABC)Bat AlgorithmBayesian Ant Colony Optimizationอัลกอริทึมพันธุกรรมแบบเบย์ (Bayesian Genetic AlgorithmBayesian NSGA-IIการปรับให้เหมาะสมด้วยฝูงอนุภาคแบบเบย์ (Bayesian Particle Swarm Optimization)Bayesian Simulated AnnealingBayesian Tabu SearchCuckoo Searchอัลกอริทึมพันธุกรรมแบบกำหนด (Deterministic Genetic AlgorithmDeterministic Particle Swarm Optimizationการอบอ่อนจำลองแบบกำหนดได้Differential EvolutionFirefly AlgorithmGenetic AlgorithmGrey Wolf OptimizerHarmony SearchHyper-HeuristicsMatheuristics: การผสมผสานการโปรแกรมเชิงคณิตศาสตร์และเมตาฮิวริสติกส์เมเมติก อัลกอริทึมMulti-Objective Ant Colony Optimization (MOACO)Multi-Objective Genetic Algorithm (MOGA)Multi-Objective Particle Swarm Optimization (MOPSO)Multi-Objective Simulated Annealing (MOSA)Multi-objective Tabu Search (MOTS)NSGA-IINSGA-IIIParticle Swarm Optimization (PSO)Policy Scenario Genetic AlgorithmPolicy Scenario Particle Swarm OptimizationRobust Ant Colony Optimizationอัลกอริทึมพันธุกรรมที่แข็งแกร่งRobust NSGA-IIการหาค่าเหมาะที่สุดด้วยอนุภาคฝูงผึ้งแบบทนทานSimulated Annealing แบบคงทน (Robust Simulated Annealing)Robust Tabu SearchSimheuristicsSimulated Annealingขั้นตอนวิธีเชิงพันธุกรรมแบบสุ่มStochastic NSGA-IIStochastic Particle Swarm OptimizationStochastic Tabu SearchTabu Search