Loading...
🧬
Algorithmes évolutionnaires de découverte(EDA)
Optimisation bio-inspirée qui fait évoluer les solutions par sélection, mutation et croisement
Complexité: highExploration et découverte
In 30 seconds
- What
- Maintient une population de solutions candidates et applique la sélection et des opérateurs génétiques (mutation, croisement) pour faire évoluer de meilleures solutions au fil des générations.
- When to use
- Grands espaces de recherche où vous avez besoin de plusieurs solutions diverses ou devez arbitrer entre objectifs concurrents sans voie analytique claire.
- Watch out
- La convergence vers des optima locaux est fréquente ; le coût d'évaluation de la fonction d'aptitude croît avec la taille de la population et le nombre de générations, ce qui rend la méthode coûteuse dans les domaines lents à évaluer.
Loading technique guide…