อัลกอริทึมพันธุกรรมที่แข็งแกร่ง — การหาค่าเหมาะที่สุดเชิงวิวัฒนาการภายใต้ความไม่แน่นอน
อัลกอริทึมพันธุกรรมที่แข็งแกร่ง (RGA) ขยายอัลกอริทึมพันธุกรรมมาตรฐานเพื่อค้นหาคำตอบที่ทำงานได้ดีไม่เพียงแต่ที่จุดออกแบบตามชื่อเท่านั้น แต่ยังรวมถึงเมื่อเผชิญกับความไม่แน่นอนในตัวแปรการตัดสินใจ พารามิเตอร์ หรือการประเมินค่าความเหมาะสม โดยการรวมมาตรวัดความแข็งแกร่งที่ชัดเจนเข้ากับแรงกดดันในการคัดเลือก RGA จะสร้างสมดุลระหว่างความเป็นเลิศกับความไวต่อการรบกวน ทำให้เหมาะสำหรับการออกแบบทางวิศวกรรม การจัดตารางเวลา และการหาค่าเหมาะที่สุดของนโยบายภายใต้ความแปรปรวนในโลกแห่งความเป็นจริง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Jin, Y., Branke, J. (2005). Evolutionary optimization in uncertain environments — a survey. IEEE Transactions on Evolutionary Computation, 9(3), 303–317. DOI: 10.1109/TEVC.2005.846356 ↗
- Beyer, H.-G., Sendhoff, B. (2007). Robust optimization — A comprehensive survey. Computer Methods in Applied Mechanics and Engineering, 196(33–34), 3190–3218. DOI: 10.1016/j.cma.2007.03.003 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust Genetic Algorithm — Evolutionary Optimization under Uncertainty. ScholarGate. https://scholargate.app/th/simulation/robust-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.
- Genetic Algorithmการหาค่าเหมาะที่สุด↔ compare
- Multi-Objective Genetic Algorithm (MOGA)การจำลอง↔ compare
- การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์ที่ทนทานการจำลอง↔ compare
- การหาค่าเหมาะที่สุดด้วยอนุภาคฝูงผึ้งแบบทนทานการจำลอง↔ compare
- Simulated Annealing แบบคงทน (Robust Simulated Annealing)การจำลอง↔ compare
- ขั้นตอนวิธีเชิงพันธุกรรมแบบสุ่มการจำลอง↔ compare