NSGA-II — Çok Amaçlı Ayrışmamış Genetik Algoritma II
Non-dominated Sorting Genetic Algorithm II · Ayrıca şöyle bilinir: NSGA2, Non-dominated Sorting GA II, NSGA-II — Çok Amaçlı Evrimsel Optimizasyon
NSGA-II (Çok Amaçlı Ayrışmamış Genetik Algoritma II), çok amaçlı evrimsel optimizasyon için standart referans algoritmadır; Deb, Pratap, Agarwal ve Meyarivan tarafından 2002 yılında tanıtılmıştır. Birbirine rakip birden fazla amacı tek bir puana indirgemek yerine, aday çözümlerden oluşan bir popülasyonu nesiller boyunca evrimleştirir ve hızlı ayrışmamış sıralama ile çeşitliliği korumak için bir yığılma mesafesi metriği kullanarak bir dizi Pareto-optimal ödünleşme çözümü — Pareto cephesi — döndürür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
NSGA-II, iki veya daha fazla rakip amaç fonksiyonunun bilgi kaybı olmadan tek bir kritere indirgenemediği her durumda uygulanır. Karar değişkenleri sürekli, ikili veya kategorik olabilir ve amaç manzarası üzerinde herhangi bir dağılım varsayımı gerekmez. Algoritma, tek bir optimumdan daha yararlı bir ödünleşme çözümleri spektrumunun olduğu mühendislik tasarımı, kaynak tahsisi, zamanlama ve portföy sorunları için uygundur. İyi bir cephe kapsamı elde etmek için yeterli sayıda nesil (tipik olarak yüzlerce veya daha fazla) gerekir; çok az nesil çalıştırmak ana hata modudur.
Güçlü yönler & sınırlılıklar
- Tek bir çalıştırmada çeşitli Pareto-optimal ödünleşme çözümleri üretir, farklı ağırlıklarla optimizasyonun tekrarlanması ihtiyacını ortadan kaldırır.
- Hızlı ayrışmamış sıralama O(MN²) zamanda çalışır (M amaç, N popülasyon boyutu), bu da onu orta düzey problem boyutları için çözülebilir hale getirir.
- Seçkinci seçim, erken bulunan iyi çözümlerin asla atılmamasını sağlar.
- Dağılım varsayımları olmadan sürekli, ikili ve kategorik karar değişkenlerine uygulanabilir.
- Mühendislik, operasyon araştırması ve hesaplamalı bilim alanlarında yaygın olarak doğrulanmıştır.
- Performans, amaç sayısı üç veya dördü aştıkça düşer — yığılma mesafesi yüksek boyutlarda zayıf bir çeşitlilik ölçüsü haline gelir.
- Popülasyon boyutu ve nesil sayısının dikkatli ayarlanmasını gerektirir; çok az nesil yeterli cephe kapsamını engeller.
- Pahalı simülasyonları içeren amaç fonksiyonlarını değerlendirmek, algoritmayı hesaplama açısından maliyetli hale getirir.
- Sonuçlar stokastiktir: farklı rastgele tohumlar farklı Pareto cepheleri üretebilir, bu nedenle birden fazla çalıştırma ve istatistiksel karşılaştırma (örneğin, hiperhacim) önerilir.
SSS
NSGA-II kaç nesil gerektirir?
Evrensel bir kural yoktur, ancak birkaç yüz nesilden az çalıştırmak tipik olarak eksik bir Pareto cephesi üretir. Pratik bir yaklaşım, nesiller boyunca hiperhacim göstergesini çizmek ve stabil hale geldiğinde durmaktır. Hesaplama bütçesi buna izin vermiyorsa, ağırlıklı tek amaçlı bir optimize edici daha güvenli bir alternatiftir.
Pareto cephesi nedir?
Pareto cephesi, bir amaçta iyileştirmenin en az bir diğerini kötüleştirmeden mümkün olmadığı çözümler kümesidir. NSGA-II bu cepheyi yaklaştırır, size tek bir cevap yerine dengeli ödünleşmelerin tam menüsünü sunar.
NSGA-II ikiden fazla amacı işleyebilir mi?
Evet, ancak yığılma mesafesi — çeşitlilik mekanizması — amaç sayısı üç veya dördü aştıkça (yani 'çok amaçlı' rejim) daha az etkili hale gelir. Beş veya daha fazla amacı olan problemler için genellikle NSGA-III veya MOEA/D gibi ayrıştırma tabanlı algoritmalar tercih edilir.
NSGA-II deterministik midir?
Hayır. Genetik operatörler ve başlangıç popülasyonu rastgelelik içerir, bu nedenle farklı rastgele tohumlarla yapılan farklı çalıştırmalar farklı Pareto cephesi yaklaşımları üretebilir. En iyi uygulama, algoritmayı birden çok kez çalıştırmak ve hiperhacim göstergesini kullanarak cephe kalitesini karşılaştırmaktır.
Kaynaklar
- 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 ↗
- Zitzler, E., Deb, K. & Thiele, L. (2000). Comparison of Multiobjective Evolutionary Algorithms: Empirical Results. Evolutionary Computation, 8(2), 173-195. DOI: 10.1162/106365600568202 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/tr/optimization/nsga2
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karınca Kolonisi OptimizasyonuOptimizasyon↔ karşılaştır
- Differential EvolutionOptimizasyon↔ karşılaştır
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Parçacık Sürü Optimizasyonu (PSO)Optimizasyon↔ karşılaştır