การหาค่าเหมาะที่สุดหลายวัตถุประสงค์เชิงสุ่ม — การหาค่าเหมาะที่สุดสำหรับหลายวัตถุประสงค์ที่ขัดแย้งกันภายใต้ความไม่แน่นอน
การหาค่าเหมาะที่สุดหลายวัตถุประสงค์เชิงสุ่ม (Stochastic Multi-Objective Optimization หรือ SMOO) เป็นกลุ่มของวิธีการที่ใช้ในการหาค่าเหมาะที่สุดสำหรับวัตถุประสงค์ที่ขัดแย้งกันตั้งแต่สองอย่างขึ้นไปพร้อมกัน เมื่อพารามิเตอร์ ต้นทุน หรือข้อจำกัดมีความไม่แน่นอนหรือเป็นแบบสุ่ม แทนที่จะได้ผลลัพธ์ที่เหมาะสมที่สุดเพียงหนึ่งเดียว วิธีการนี้จะสร้างแนว Pareto ของผลลัพธ์ที่ไม่ถูกครอบงำ (non-dominated solutions) ซึ่งแต่ละผลลัพธ์แสดงถึงความสมดุลที่แตกต่างกันระหว่างวัตถุประสงค์ภายใต้แบบจำลองความไม่แน่นอน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
แหล่งอ้างอิง
- Deb, K. (2001). Multi-Objective Optimization Using Evolutionary Algorithms. Wiley, Chichester. ISBN: 9780471873396
- Caramia, M., Dell'Olmo, P. (2008). Multi-Objective Management in Freight Logistics. Springer, London. DOI: 10.1007/978-1-84800-382-8 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Stochastic Multi-Objective Optimization — Multi-criteria optimization under uncertainty with probabilistic objectives or constraints. ScholarGate. https://scholargate.app/th/simulation/stochastic-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.
- การจำลองแบบมอนติคาร์โลการตัดสินใจ↔ compare
- การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์การจำลอง↔ compare
- การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์ที่ทนทานการจำลอง↔ compare
- Stochastic Dynamic Programmingการจำลอง↔ compare
- ขั้นตอนวิธีเชิงพันธุกรรมแบบสุ่มการจำลอง↔ compare