การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์เชิงกำหนด — วิธีการแบบพาเรโตคลาสสิกและวิธีการสเกลาร์
การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์เชิงกำหนด (Deterministic Multi-Objective Optimization หรือ Deterministic MOO) เป็นกลุ่มของแนวทางการหาค่าเหมาะสมที่สุดแบบคลาสสิกที่ทำการลดค่าหรือเพิ่มค่าฟังก์ชันวัตถุประสงค์ที่ขัดแย้งกันหลายฟังก์ชันพร้อมกันภายในเซตที่เป็นไปได้เชิงกำหนด วิธีการนี้จะสร้างระนาบพาเรโต (Pareto front) ซึ่งเป็นเซตของผลเฉลยที่ไม่ถูกครอบงำ (non-dominated solutions) จากนั้นผู้มีอำนาจตัดสินใจจะเลือกจุดที่พึงพอใจที่สุดในการแลกเปลี่ยนผลได้ผลเสีย (trade-off) ซึ่งแตกต่างจากรูปแบบสุ่ม (stochastic variants) การประเมินวัตถุประสงค์และข้อจำกัดทั้งหมดจะคงที่และปราศจากสัญญาณรบกวน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Deb, K. (2001). Multi-Objective Optimization Using Evolutionary Algorithms. Wiley, Chichester. ISBN: 978-0-471-87339-6
- Miettinen, K. (1999). Nonlinear Multiobjective Optimization. Springer, Boston. ISBN: 978-1-4613-7544-9
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Deterministic Multi-Objective Optimization — Classical Pareto-based and scalarization approaches without stochastic components. ScholarGate. https://scholargate.app/th/simulation/deterministic-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.
- การโปรแกรมเชิงเส้นหลายวัตถุประสงค์ (Multi-Objective Linear Programming - MOLP)การจำลอง↔ compare
- การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์การจำลอง↔ compare
- การหาค่าเหมาะที่สุดหลายวัตถุประสงค์เชิงสุ่มการจำลอง↔ compare