เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| อัลกอริทึมพันธุกรรมแบบกำหนด (Deterministic Genetic Algorithm× | Multi-Objective Genetic Algorithm (MOGA)× | |
|---|---|---|
| สาขาวิชา | การจำลอง | การจำลอง |
| ตระกูล | Process / pipeline | Process / pipeline |
| ปีกำเนิด≠ | 1975–1989 | 1984 |
| ผู้ริเริ่ม≠ | Goldberg, D. E.; Holland, J. H. | Schaffer, J. D. (early MOGA); Goldberg, D. E. (GA foundations) |
| ประเภท≠ | Deterministic evolutionary optimization | Population-based evolutionary optimizer |
| แหล่งต้นตำรับ≠ | Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, Reading, MA. ISBN: 9780201157673 | Goldberg, D. E. (1989). Genetic algorithms in search, optimization, and machine learning. Addison-Wesley. ISBN: 9780201157673 |
| ชื่อเรียกอื่น | DGA, Deterministic EA, Deterministic Evolutionary Algorithm, Deterministic Selection GA | MOGA, Multi-objective GA, Evolutionary multi-objective optimization, EMO |
| ที่เกี่ยวข้อง≠ | 5 | 4 |
| สรุป≠ | A Deterministic Genetic Algorithm (DGA) applies the structural framework of evolutionary computation — population, selection, crossover, and replacement — using entirely deterministic operators and fixed decision rules instead of stochastic sampling. By eliminating randomness, the algorithm becomes fully reproducible: running it twice on the same problem yields identical solutions, making it tractable for rigorous benchmarking, reproducibility studies, and systems where stochasticity is undesirable. | A Multi-Objective Genetic Algorithm (MOGA) is an evolutionary computation method that evolves a population of candidate solutions toward a Pareto-optimal front, simultaneously optimizing two or more conflicting objective functions. It avoids collapsing trade-offs into a single score, instead producing a set of non-dominated solutions for the decision-maker to choose among. |
| ScholarGateชุดข้อมูล ↗ |
|
|