เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์ตามสถานการณ์นโยบาย× | Multi-Objective Genetic Algorithm (MOGA)× | |
|---|---|---|
| สาขาวิชา | การจำลอง | การจำลอง |
| ตระกูล | Process / pipeline | Process / pipeline |
| ปีกำเนิด≠ | 1990s–2000s | 1984 |
| ผู้ริเริ่ม≠ | Evolved from multi-objective optimization and policy scenario analysis communities | Schaffer, J. D. (early MOGA); Goldberg, D. E. (GA foundations) |
| ประเภท≠ | Scenario-conditioned multi-objective search | Population-based evolutionary optimizer |
| แหล่งต้นตำรับ≠ | Deb, K. (2001). Multi-Objective Optimization Using Evolutionary Algorithms. John Wiley & Sons, Chichester. ISBN: 9780471873396 | Goldberg, D. E. (1989). Genetic algorithms in search, optimization, and machine learning. Addison-Wesley. ISBN: 9780201157673 |
| ชื่อเรียกอื่น | PS-MOO, Policy-Driven MOO, Scenario-Based Multi-Objective Optimization, Policy MOO | MOGA, Multi-objective GA, Evolutionary multi-objective optimization, EMO |
| ที่เกี่ยวข้อง | 4 | 4 |
| สรุป≠ | Policy Scenario Multi-Objective Optimization (PS-MOO) integrates explicit policy scenario construction with multi-objective optimization to identify Pareto-optimal policy options across plausible future states. Decision-makers evaluate trade-offs between competing objectives — such as economic efficiency, equity, and environmental impact — for each distinct policy scenario, then compare Pareto fronts to select robust or scenario-contingent strategies. | 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 ↗ |
|
|