อัลกอริทึมพันธุกรรมแบบกำหนด (Deterministic Genetic Algorithm — Evolutionary Optimization Without Randomness)
อัลกอริทึมพันธุกรรมแบบกำหนด (Deterministic Genetic Algorithm, DGA) ประยุกต์ใช้โครงสร้างพื้นฐานของการคำนวณเชิงวิวัฒนาการ — ประชากร, การคัดเลือก, การผสมข้าม, และการแทนที่ — โดยใช้ตัวดำเนินการที่กำหนดแน่นอนและกฎการตัดสินใจที่ตายตัว แทนที่จะเป็นการสุ่มตัวอย่าง การกำจัดความสุ่มนี้ทำให้อัลกอริทึมสามารถทำซ้ำได้โดยสมบูรณ์: การรันสองครั้งบนปัญหาเดียวกันจะให้ผลลัพธ์ที่เหมือนกัน ทำให้สามารถทดสอบประสิทธิภาพอย่างเข้มงวด, ศึกษาความสามารถในการทำซ้ำ, และใช้ในระบบที่ไม่ต้องการความสุ่ม
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, Reading, MA. ISBN: 9780201157673
- Mahfoud, S. W. (1995). Niching methods for genetic algorithms. IlliGAL Report No. 95001, University of Illinois at Urbana-Champaign. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Deterministic Genetic Algorithm — Evolutionary optimization with deterministic selection and operators. ScholarGate. https://scholargate.app/th/simulation/deterministic-genetic-algorithm
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.
- Deterministic Particle Swarm Optimizationการจำลอง↔ compare
- Genetic Algorithmการหาค่าเหมาะที่สุด↔ compare
- Multi-Objective Genetic Algorithm (MOGA)การจำลอง↔ compare
- Simulated Annealingการหาค่าเหมาะที่สุด↔ compare
- ขั้นตอนวิธีเชิงพันธุกรรมแบบสุ่มการจำลอง↔ compare