เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| อัลกอริทึมพันธุกรรมแบบกำหนด (Deterministic Genetic Algorithm× | ขั้นตอนวิธีเชิงพันธุกรรมแบบสุ่ม× | |
|---|---|---|
| สาขาวิชา | การจำลอง | การจำลอง |
| ตระกูล | Process / pipeline | Process / pipeline |
| ปีกำเนิด≠ | 1975–1989 | 1975 |
| ผู้ริเริ่ม≠ | Goldberg, D. E.; Holland, J. H. | Holland, J. H. |
| ประเภท≠ | Deterministic evolutionary optimization | Stochastic evolutionary metaheuristic |
| แหล่งต้นตำรับ≠ | Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, Reading, MA. ISBN: 9780201157673 | Holland, J. H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor. ISBN: 978-0262581110 |
| ชื่อเรียกอื่น | DGA, Deterministic EA, Deterministic Evolutionary Algorithm, Deterministic Selection GA | SGA, Canonical Genetic Algorithm, Simple Genetic Algorithm, Evolutionary Algorithm |
| ที่เกี่ยวข้อง | 5 | 5 |
| 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. | The Stochastic Genetic Algorithm (SGA) is a population-based metaheuristic that mimics biological evolution — selection, crossover, and mutation — to search for near-optimal solutions in complex, nonlinear, or combinatorial spaces. Its randomized operators make it robust to local optima and broadly applicable across engineering, scheduling, machine learning, and operations research. |
| ScholarGateชุดข้อมูล ↗ |
|
|