Agent-Based NSGA-II — การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์ที่ขับเคลื่อนด้วยการจำลอง
Agent-based NSGA-II ฝังอัลกอริทึมวิวัฒนาการ NSGA-II ไว้ภายในวงรอบการจำลองแบบหลายเอเจนต์ เพื่อให้ค่าวัตถุประสงค์สำหรับแต่ละคำตอบที่เป็นไปได้ถูกกำหนดโดยการรันการจำลองเอเจนต์เต็มรูปแบบ แทนที่จะเป็นการประเมินฟังก์ชันแบบปิด การเชื่อมโยงนี้ช่วยให้สามารถหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์สำหรับระบบที่มีประสิทธิภาพเกิดขึ้นจากปฏิสัมพันธ์ระดับจุลภาคของเอเจนต์อิสระ แทนที่จะมาจากสมการที่สามารถวิเคราะห์ได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182-197. DOI: 10.1109/4235.996017 ↗
- Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. Journal of Simulation, 4(3), 151-162. DOI: 10.1057/jos.2010.3 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/th/simulation/agent-based-nsga-ii
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
- Agent-based multi-objective optimizationการจำลอง↔ compare
- Multi-Objective Genetic Algorithm (MOGA)การจำลอง↔ compare
- Stochastic NSGA-IIการจำลอง↔ compare