In this subsection we mention some

In this subsection we mention some results related to the performance of the hybrid GA, especially with respect to the crossover operators used.
When comparing the performance of the two cross-over operators, we initially used equal
values for the other parameters like crossover and mutation probabilities as well as the elitism rate.
It turned out that in those cases, the bit equalizer crossover operator worked generally much better.
Next we performed experiments with the optimized parameter values as mentioned in table II.
As was already mentioned above, both the GA with the two-point order based crossover and the GA with the two-point bit equalizer crossover operator were able to find the optimal solution.
In all cases, we tried the GAs a hundred times using different initializations.
In case of using the GA with the two-point order-based crossover with 50 generations (and other parameter settings as mentioned in Table 2), the optimal solution
was not always found, namely in just 89% of the cases.
However, in case of using that GA with 100 generations, the optimal solution was always found in, on average, almost 31 iterations with a standard deviation of approximately 15,5.
In case of using the the GA with the two-point bit equalizer crossover operator a hundred times with 50 generations, the GA was able to find the optimal solution in all cases using, on average, only 22,2 iterations with a standard deviation of approximately 9,8 iterations.
These numbers show that the GA with the bit equalizer crossover operator is both robust
in finding the optimal solution and fast, although the speed of convergence is somewhat sensitive for the chosen initial population.
The following two figures further illuminate these findings.
Both the progress of the average fitness value (tracking error) of the best solution of each generation is shown and the progress of the fitness value of the best solution of each generation in a single, typical run are shown.
For certain other results found concerning the AEX-index tracking problem, we refer to [1].

ผลลัพธ์ (ไทย) 1:

ใน subsection นี้ เราพูดถึงผลลัพธ์บางอย่างที่เกี่ยวข้องกับประสิทธิภาพการทำงานของไฮบริด GA โดยเฉพาะอย่างยิ่งกับตัวดำเนินการแบบไขว้ที่ใช้
เมื่อเปรียบเทียบประสิทธิภาพของตัวดำเนินการมากกว่าขนสอง เราเริ่มใช้เท่า
ค่าพารามิเตอร์อื่น ๆ เช่นกิจกรรมแบบไขว้และการกลายพันธุ์เป็นอัตรา elitism
จะเปิดออกซึ่งในกรณีดังกล่าว ตัวดำเนินการบิตตัวปรับแต่งเสียงแบบไขว้ทำงานดีกว่ามากทั่วไป.
ถัดไป เราทำการทดลองกับค่าพารามิเตอร์ให้เหมาะตามที่กล่าวในตารางที่สอง
ตามที่กล่าวแล้วข้างต้น ทั้ง GA จะ มีใบสองแฉกยึดไขว้ และ GA มีตัวดำเนินการบิตสองแฉกตัวปรับแต่งเสียงแบบไขว้ก็สามารถหาทางออกดีที่สุด
ในทุกกรณี เราพยายามก๊าซร้อยครั้งใช้ initializations แตกต่างกัน
ในกรณีของการใช้ GA ที่มีแบบไขว้การใบสั่งตามจุดสองรุ่น 50 (และการตั้งค่าพารามิเตอร์อื่น ๆ ตามตารางที่ 2), โซลูชั่นดีที่สุด
ไม่เสมอพบ ได้แก่เพียง 89% ของกรณี
อย่างไรก็ตาม ในกรณีที่ใช้ GA ที่มีรุ่น 100 โซลูชั่นดีที่สุดเสมอพบใน เฉลี่ย ซ้ำเกือบ 31 มีค่าเบี่ยงเบนมาตรฐานประมาณ 15, 5.
กรณีใช้ GA กับตัว 2 จุดบิตตัวปรับแต่งเสียงแบบไขว้ปฏิบัติร้อยครั้งกับรุ่น 50, GA จะได้หาทางออกดีที่สุดในทุกกรณีใช้ เฉลี่ย ซ้ำเฉพาะ 22,2 มีค่าเบี่ยงเบนมาตรฐานประมาณ 9,8 แผนการ
ตัวเลขเหล่านี้แสดงว่า GA ด้วยตัวดำเนินการบิตตัวปรับแต่งเสียงแบบไขว้ทั้งสองแข็งแรง
ในการหาโซลูชันที่ดีที่สุดและรวดเร็ว แม้ว่าความเร็วของลู่เข้าจะค่อนข้างสำคัญสำหรับประชากรเริ่มแรกท่าน
ต่อไปนี้สองตัวเลขเพิ่มเติมส่องค้นพบเหล่านี้
แสดงความคืบหน้าของการออกกำลังกายเฉลี่ยค่า (ติดตามข้อผิดพลาด) ของการแก้ปัญหาที่ดีที่สุดของแต่ละรุ่น และแสดงความคืบหน้าของค่าฟิตเนสโซลูชั่นสุดของแต่ละรุ่นในครั้งเดียว โดยทั่วไปรัน
สำหรับผลลัพธ์บางอย่างพบเกี่ยวกับปัญหาการติดตามดัชนี AEX เราอ้างอิง [1]

ผลลัพธ์ (ไทย) 2:

ในหมวดนี้เราพูดถึงผลบางอย่างที่เกี่ยวข้องกับประสิทธิภาพการทำงานของไฮบริดจอร์เจียโดยเฉพาะอย่างยิ่งที่เกี่ยวกับการประกอบการครอสโอเวอร์ที่ใช้
เมื่อเปรียบเทียบประสิทธิภาพการทำงานของสองผู้ประกอบการข้าม, เราเริ่มใช้เท่ากับ
ค่าสำหรับพารามิเตอร์อื่น ๆ เช่นครอสโอเวอร์และการกลายพันธุ์ ความน่าจะเป็นเช่นเดียวกับที่อัตราอภิสิทธิ์
มันกลับกลายเป็นว่าในกรณีดังกล่าวผู้ประกอบการข้ามบิตควอไลเซอร์ที่ทำงานโดยทั่วไปดีขึ้นมาก
ต่อไปเราดำเนินการทดลองกับค่าพารามิเตอร์ที่ดีที่สุดตามที่ระบุไว้ในตารางที่สอง
ในฐานะที่เป็นที่กล่าวถึงแล้วข้างต้นทั้งสองจอร์เจีย ด้วยครอสโอเวอร์ตามลำดับสองจุดและจอร์เจียที่มีผู้ประกอบการปรับเสียงบิตข้ามสองจุดที่มีความสามารถในการหาทางออกที่ดีที่สุด
ในทุกกรณีเราพยายาม GAs ร้อยครั้งโดยใช้การเริ่มต้นที่แตกต่างกัน
ในกรณีของการใช้จอร์เจียด้วย ข้ามคำสั่งที่ใช้สองจุดกับ 50 รุ่น (และการตั้งค่าพารามิเตอร์อื่น ๆ ตามที่ระบุไว้ในตารางที่ 2), ทางออกที่ดีที่สุด
ไม่ได้พบเสมอคือในเวลาเพียง 89% ของผู้ป่วย
แต่ในกรณีของการใช้ที่จอร์เจีย 100 รุ่นทางออกที่ดีที่สุดคือการพบเสมอในเฉลี่ยเกือบ 31 ซ้ำกับส่วนเบี่ยงเบนมาตรฐานประมาณ 15,5
ในกรณีของการใช้จอร์เจียที่มีผู้ประกอบการปรับเสียงบิตข้ามสองจุดเป็นร้อยครั้งกับ 50 รุ่น จอร์เจียก็สามารถที่จะหาทางออกที่ดีที่สุดในทุกกรณีการใช้เฉลี่ยเพียง 22.2 ซ้ำกับส่วนเบี่ยงเบนมาตรฐานประมาณ 9,8 ซ้ำ
ตัวเลขเหล่านี้แสดงให้เห็นว่าจอร์เจียกับผู้ประกอบการบิตภูมิภาคมีทั้งปรับเสียงที่แข็งแกร่ง
ในการหา ทางออกที่ดีที่สุดและรวดเร็วแม้ว่าความเร็วของลู่จะค่อนข้างสำคัญสำหรับประชากรที่เริ่มต้นได้รับการแต่งตั้ง
ต่อไปนี้ตัวเลขที่สองต่อไปสว่างการค้นพบนี้
ทั้งความคืบหน้าของการออกกำลังกายค่าเฉลี่ย (ข้อผิดพลาดการติดตาม) ของการแก้ปัญหาที่ดีที่สุดของแต่ละรุ่นมีการแสดงและ ความคืบหน้าของการออกกำลังกายค่าของการแก้ปัญหาที่ดีที่สุดของแต่ละรุ่นในครั้งเดียววิ่งปกติจะแสดง
เพื่อให้ได้ผลอื่น ๆ บางอย่างที่พบเกี่ยวกับปัญหาการติดตาม AEX ดัชนีเราดูที่ [1]

ผลลัพธ์ (ไทย) 3:

ในส่วนนี้เราจะพูดถึงผลลัพธ์บางอย่างที่เกี่ยวข้องกับการปฏิบัติงานของ กา ไฮบริด โดยเฉพาะส่วนที่เกี่ยวข้องกับการ ผู้ประกอบการที่ใช้
เมื่อเปรียบเทียบประสิทธิภาพของทั้งสองข้ามกลุ่มผู้ประกอบการ เราเริ่มใช้เท่ากับ
ค่าพารามิเตอร์อื่น ๆเช่นครอสโอเวอร์และการกลายพันธุ์น่าจะเป็นเช่นเดียวกับ 24 อัตรา
มันกลับกลายเป็นว่า ในกรณีนั้นบิต Equalizer ครอสโอเวอร์โดยทั่วไปผู้ประกอบการทำงานดีขึ้น
ต่อไปเราการทดลองกับปรับค่าพารามิเตอร์ดังกล่าวในตารางที่ 2
ตามที่ได้กล่าวแล้วข้างต้น ทั้ง กา กับการสั่งซื้อแบบสองใช้ครอสโอเวอร์และเกมกับบิต Equalizer ครอสโอเวอร์แบบสองผู้ประกอบการสามารถหาโซลูชั่นที่เหมาะสมที่สุด
ในทุกกรณีเราลองใช้แก๊ส 100 ครั้ง initializations แตกต่างกัน
ในกรณีใช้เกมกับการสั่งซื้อแบบสองแบบที่ใช้กับ 50 รุ่น ( และการตั้งค่าพารามิเตอร์อื่น ๆตามที่ระบุไว้ในตารางที่ 2 ) ,
โซลูชั่นที่เหมาะสมไม่ได้พบเสมอ คือ เพียง 89 เปอร์เซ็นต์ของกรณี .
แต่ในกรณีของการใช้ GA 100 รุ่น ทางออกที่ดีที่สุดเสมอ พบว่า โดยเฉลี่ยแล้วเกือบ 31 ซ้ำกับส่วนเบี่ยงเบนมาตรฐานประมาณ 15,5 .
ในกรณีของการใช้เกมกับบิต Equalizer ครอสโอเวอร์แบบสองผู้ประกอบการร้อยครั้งกับ 50 รุ่น เกมสามารถหาโซลูชั่นที่เหมาะสมในการใช้โดยเฉลี่ยเพียง 22,2 ซ้ำกับส่วนเบี่ยงเบนมาตรฐานประมาณ 9,8
ซ้ำ .ตัวเลขเหล่านี้แสดงให้เห็นว่าเกมกับบิต Equalizer ครอสโอเวอร์ผู้ประกอบการทั้งแข็งแกร่ง
ในการหาโซลูชั่นที่เหมาะสม และรวดเร็ว แม้ว่าความเร็วในการลู่เข้าของค่อนข้างละเอียดอ่อนสำหรับเลือกประชากรเริ่มต้นที่ .
ต่อไปนี้สองตัวเลขเพิ่มเติมความสว่างพบเหล่านี้
ทั้งความคืบหน้าของค่าความเหมาะสมเฉลี่ย ( ความผิดพลาด ) ของโซลูชั่นที่ดีที่สุดของแต่ละรุ่นจะแสดงและความคืบหน้าของฟิตเนสมูลค่าของโซลูชั่นที่ดีที่สุดของแต่ละรุ่นในเดียว ปกติวิ่งแสดงผลอื่น ๆบางอย่าง .
สำหรับพบเกี่ยวกับอุตสาหกรรมดัชนีติดตามปัญหา เราดูที่ [ 1 ]