การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์โดยใช้เอเจนต์ (Agent-Based Multi-Objective Optimization) — การค้นหาแบบกระจายศูนย์ผ่านวัตถุประสงค์ที่แข่งขันกัน
การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์โดยใช้เอเจนต์ (Agent-based multi-objective optimization, ABMOO) เป็นการฝังเอเจนต์อิสระ (autonomous agents) ไว้ในสภาพแวดล้อมจำลอง และพัฒนาพฤติกรรมหรือพารามิเตอร์ของเอเจนต์เหล่านั้นเพื่อหาค่าที่เหมาะสมที่สุดสำหรับสองวัตถุประสงค์ที่ขัดแย้งกันหรือมากกว่านั้นไปพร้อมๆ กัน ซึ่งจะให้ผลลัพธ์เป็นแนวหน้าของพาเรโต (Pareto-efficient frontier) แทนที่จะเป็นค่าที่เหมาะสมที่สุดเพียงค่าเดียว วิธีนี้เหมาะสมกับระบบปรับตัวที่ซับซ้อน (complex adaptive systems) ซึ่งวัตถุประสงค์เกิดขึ้นจากปฏิสัมพันธ์ในระดับจุลภาค (micro-level interactions) มากกว่าที่จะมาจากสมการรูปแบบปิด (closed-form equations)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Bonabeau, E., Dorigo, M., & Theraulaz, G. (2002). Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press. ISBN: 9780195131598
- Coello Coello, C. A., Lamont, G. B., & Van Veldhuizen, D. A. (2007). Evolutionary Algorithms for Solving Multi-Objective Problems (2nd ed.). Springer. ISBN: 9780387332543
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Agent-Based Multi-Objective Optimization — Decentralized evolutionary search across competing objectives. ScholarGate. https://scholargate.app/th/simulation/agent-based-multi-objective-optimization
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- การสร้างแบบจำลองเชิงเอเจนต์ (ABM)การจำลอง↔ compare
- Multi-Objective Genetic Algorithm (MOGA)การจำลอง↔ compare
- การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์การจำลอง↔ compare
- Multi-Objective Particle Swarm Optimization (MOPSO)การจำลอง↔ compare
- การหาค่าเหมาะที่สุดหลายวัตถุประสงค์เชิงสุ่มการจำลอง↔ compare