Agent-Based NSGA-II — Simülasyon Güdümlü Evrimsel Çok Amaçlı Optimizasyon
Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization · Ayrıca şöyle bilinir: AB-NSGA-II, ABM-NSGA2, agent-driven NSGA-II, simulation-based NSGA-II
Agent-based NSGA-II, NSGA-II evrimsel algoritmasını bir ajan tabanlı simülasyon döngüsüne gömer, böylece her bir aday çözümün amaç değerleri kapalı form bir fonksiyonu değerlendirmek yerine tam bir ajan simülasyonu çalıştırılarak belirlenir. Bu eşleştirme, analitik olarak çözülebilir denklemlerden ziyade mikro düzeydeki otonom ajan etkileşimlerinden ortaya çıkan sistemler üzerinde çok amaçlı optimizasyona olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İki veya daha fazla çelişkili amaç eş zamanlı olarak optimize edilmeli ve bu amaçlar kapalı form fonksiyonlardan ziyade ajan etkileşimlerinden kaynaklanıyorsa — örneğin, bir nüfus modelinde salgın kontrol maliyeti ile ekonomik aktiviteyi dengelemek veya uyarlanabilir tedarikçilerin bir ağında tedarik zinciri maliyetini en aza indirirken dayanıklılığı en üst düzeye çıkarmak — ajan tabanlı NSGA-II kullanın. Stokastiklik sistemde doğalsa ve çoğaltmalar üzerinden ortalaması alınması gerekiyorsa uygundur. Hızlı bir analitik amaç fonksiyonu mevcut olduğunda (düz NSGA-II yeterlidir ve çok daha ucuzdur), yalnızca bir amaç ilgili olduğunda, ajan simülasyonu çalıştırma başına çok pahalı olduğundan küçük bir popülasyon bile toplam hesaplama maliyetini karşılanamaz hale getirdiğinde veya üç veya dört amaçtan fazlası gerektiğinde (bunun yerine NSGA-III veya MOEA/D varyantlarını tercih edin) kullanmayın.
Güçlü yönler & sınırlılıklar
- Analitik olarak ifade edilemeyen ortaya çıkan, yola bağlı ve stokastik amaç manzaralarını işler, bu da onu karmaşık uyarlanabilir sistemlere uygulanabilir kılar.
- Tek bir optimizasyon çalıştırmasında tam bir Pareto cephesi üretir, karar vericilere önceden tercih ağırlıkları gerektirmeden ödünleşme konusunda açık bir görünürlük sağlar.
- NSGA-II'nin seçkinlik mekanizması, yüksek kaliteli baskın olmayan çözümlerin nesiller boyunca asla atılmamasını sağlar.
- Her bir fitness değerlendirmesi içindeki çoğaltma ortalaması, yöntemin stokastik simülasyon gürültüsünü ilkeli bir şekilde işlemesine olanak tanır.
- Herhangi bir ajan tabanlı simülasyon platformu (NetLogo, Repast, AnyLogic, Mesa) ile standartlaştırılmış bir sarmalayıcı arayüz aracılığıyla uyumludur.
- Hesaplama açısından çok pahalıdır: her nesil N x R simülasyon çalışması gerektirir, burada birey başına R çoğaltma büyük olabilir; toplam duvar saati süresi engelleyici olabilir.
- Performans, üç veya dörtten fazla amaçla bozulur, çünkü baskın olmayan sıralama ayırt edici gücünü kaybeder ve kalabalık mesafesi yüksek boyutlu amaç uzayında güvenilmez hale gelir.
- Sonuçlar simülasyon modeli doğruluğuna bağlıdır; gerçekçi olmayan ajan kuralları veya kötü kalibre edilmiş parametreler, optimizasyon kalitesinden bağımsız olarak yanıltıcı Pareto cepheleri üretir.
- Simülasyon fitness değerlendirmesindeki stokastiklik, çoğaltma sayısı R çok küçükse baskınlık karşılaştırmalarını bozabilir, bu da yanlış Pareto sıralamasına yol açar.
SSS
Ajan tabanlı NSGA-II, düz NSGA-II'den nasıl farklıdır?
Düz NSGA-II, her çözümü hızlı olan analitik bir fonksiyon çağırarak değerlendirir. Ajan tabanlı NSGA-II, bu fonksiyon çağrısını tam bir ajan tabanlı simülasyon çalışmasıyla değiştirir, bu da ortaya çıkan ve yola bağlı amaçlar üzerinde optimizasyona olanak tanır, ancak değerlendirme başına önemli ölçüde daha yüksek hesaplama maliyetiyle.
Birey değerlendirmesi başına kaç çoğaltma çalıştırmalıyım?
Çoğaltmalar arasındaki her bir amacın değişim katsayısının kabaca %5-10'un altına düşecek kadar. R = 10 ile başlayın ve amaç tahminleri kararlı hale gelene kadar artırın. Yüksek derecede stokastik modeller için R = 30 ila 50 gerekebilir, bu da maliyeti buna göre katlar.
Ajan tabanlı NSGA-II'yi hesaplama açısından nasıl fizibil hale getirebilirim?
CPU çekirdekleri veya bir küme üzerinde paralelleştirin — her bireyin simülasyon çalışmaları bağımsızdır ve önemsiz derecede paralelleştirilebilir. Ucuz ön tarama için fitness'ı tahmin etmek üzere vekil modeller (Gauss süreçleri veya sinir ağları) kullanın, umut vadeden adaylar için tam simülasyon değerlendirmelerini saklayın.
Dört veya daha fazla amacım varsa ne olur?
NSGA-III veya MOEA/D'nin ajan tabanlı bir varyantına geçin. NSGA-III, kalabalık mesafesi yerine referans noktası tabanlı seçimi kullanır, dört veya daha fazla amaçta çeşitliliği etkili bir şekilde korur. MOEA/D, problemi skaler alt problemlere ayırır ve çok amaçlı ayarlara daha iyi ölçeklenir.
Pareto cephesinin güvenilir olduğunu nasıl doğrularım?
Farklı rastgele tohumlarla en az 10 bağımsız optimizasyon çalıştırması yapın ve her biri için hiperhacmi veya IGD'yi hesaplayın. Çalıştırmalar arasındaki ortancayı ve çeyrekler arası aralığı raporlayın. Çalıştırmalar boyunca tutarlı hiperhacim, optimize edicinin aynı yaklaşık Pareto cephesine güvenilir bir şekilde yakınsadığını gösterir.
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 ↗
- Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. Journal of Simulation, 4(3), 151-162. DOI: 10.1057/jos.2010.3 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Agent-Based Non-dominated Sorting Genetic Algorithm II — Simulation-Driven Evolutionary Multi-Objective Optimization. ScholarGate. https://scholargate.app/tr/simulation/agent-based-nsga-ii
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Birey Tabanlı Modelleme (BTM)Simülasyon↔ karşılaştır
- Eşgüdümlü çok amaçlı optimizasyonSimülasyon↔ karşılaştır
- Çok Amaçlı Genetik Algoritma (MOGA)Simülasyon↔ karşılaştır
- Belirsizlik Altında Stokastik NSGA-IISimülasyon↔ karşılaştır