এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
NSGA-II
এলিট সংরক্ষণকারী জেনেটিক অ্যালগরিদম যা প্যারেটো ফ্রন্টে সমাধানের বৈচিত্র্য বজায় রাখতে নন-ডমিনেটেড দ্রুত সর্টিং এবং ক্রাউডিং দূরত্ব ব্যবহার করে।
ε-সীমাবদ্ধতা পদ্ধতি
একটি বহু-উদ্দেশ্য সমস্যাকে একক-উদ্দেশ্য অপ্টিমাইজেশন সমস্যায় রূপান্তর করার পদ্ধতি, যেখানে একটি প্রধান উদ্দেশ্য অপ্টিমাইজ করা হয় এবং অন্যান্য উদ্দেশ্যগুলিকে ε থ্রেশহোল্ড দিয়ে সীমাবদ্ধ করা হয়।
বহু-উদ্দেশ্য ট্রেড-অফ
বিরোধী উদ্দেশ্যগুলির মধ্যে অন্তর্নিহিত প্রতিযোগিতা, যেখানে একটি উদ্দেশ্যের উন্নতি অপরিহার্যভাবে অন্তত একটি অন্যান্য উদ্দেশ্যের অবনতি ঘটায়।
সমাধান সংরক্ষণ
সর্বোত্তম পাওয়া সমাধানগুলি সংরক্ষণের জন্য অপ্টিমাইজেশন প্রক্রিয়া জুড়ে নন-ডমিনেটেড সমাধানগুলির একটি সেট সংরক্ষণ এবং আপডেট করার কৌশল।
বহু-উদ্দেশ্য এলিটবাদ
প্রজন্মের মধ্যে সর্বোত্তম সমাধান সংরক্ষণের কৌশল যা সর্বোত্তম প্যারেটো ফ্রন্টের দিকে একঘেয়ে অভিসৃতি নিশ্চিত করে।
সূচক-ভিত্তিক অপ্টিমাইজেশন
হাইপারভলিউমের মতো পারফরম্যান্স সূচকগুলিকে সরাসরি ফিটনেস ফাংশন হিসাবে ব্যবহার করে উচ্চ-মানের সমাধান সেটের দিকে অনুসন্ধান পরিচালনার প্যারাডাইম।
বহু-উদ্দেশ্য স্কেলেবিলিটি
উদ্দেশ্যের সংখ্যা বাড়ার সাথে সাথে একটি অ্যালগরিদমের পারফরম্যান্স বজায় রাখার ক্ষমতা, যা প্রায়শই মাত্রার অভিশাপ দ্বারা ক্ষতিগ্রস্ত হয়।
অভিসৃতি এবং বৈচিত্র্য
দ্বৈত মানদণ্ড যা সর্বোত্তম প্যারেটো ফ্রন্টের নিকটবর্তীতা (অভিসৃতি) এবং এই ফ্রন্টে সমাধানগুলির অভিন্ন বন্টন (বৈচিত্র্য) মূল্যায়ন করে।
বহু-উদ্দেশ্য সহ-বিবর্তন
একটি পদ্ধতি যেখানে একাধিক জনসংখ্যা একই সাথে বিবর্তিত হয়, প্রতিটি পারেটো ফ্রন্টের বিভিন্ন অঞ্চল বা বিভিন্ন উদ্দেশ্যের উপসেটে বিশেষায়িত।
চেবিশেভ পদ্ধতিতে বিভাজন
ওজনযুক্ত বিভাজন পদ্ধতি যা উদ্দেশ্যগুলিকে একটি স্কেলার ফাংশনে রূপান্তরিত করে চেবিশেভ নর্ম ব্যবহার করে, উত্তল এবং অ-উত্তল উভয় ফ্রন্টে সমাধান নিশ্চিত করার জন্য।
রেফারেন্স পয়েন্ট পদ্ধতি
একটি ইন্টারেক্টিভ কৌশল যেখানে সিদ্ধান্ত প্রদানকারী নির্দিষ্ট রেফারেন্স পয়েন্ট নির্দিষ্ট করে, পারেটো ফ্রন্টের নির্দিষ্ট আগ্রহের অঞ্চলের দিকে অনুসন্ধানকে নির্দেশিত করার জন্য।