C. The 2D-BPSO This sub-section dis

C. The 2D-BPSO
This sub-section discusses the 2D-BPSO, an algorithm based on the Particle Swann Optimization (PSO) [12], designed for balancing the load requirement on the different sources in the smart home. There are several advantages on using the PSO as core for SHEAP's load balancing: 1) implicit parallelism shared by all evolutionary computa-tion algorithms, which help to find solutions faster, 2) by moving particles across the sample space, instead of replacing them in each generation, it is guaranteed that the number of valid solutions will be higher; 3) the particles in the population do not require to be reset, making the algorithm well suited for adaptive processing, since the search can resume when needed and from the point it left out (i.e., last best known configuration); 4) the algorithm may provide us with Pareto surfaces without much modification by using the individual best values in its structure, thus, yielding fault tolerance.

ผลลัพธ์ (ไทย) 1:

C. 2D BPSO ส่วนย่อยนี้กล่าวถึงการ 2D-BPSO อัลกอริทึมที่ใช้ในอนุภาค Swann เพิ่มประสิทธิภาพ (PSO) [12], มาดุลความต้องการโหลดบนแหล่งต่าง ๆ ในบ้านสมาร์ท มีข้อดีหลายประการในการใช้ PSO ที่เป็นหลักสำหรับของ SHEAP โหลดดุล: parallelism 1) นัยที่ใช้ร่วมกันทั้งหมด computa วิวัฒนาการสเตรชันอัลกอริทึม ซึ่งช่วยให้การค้นหาคำตอบได้เร็วขึ้น 2) โดยย้ายอนุภาคข้ามพื้นที่ตัวอย่าง แทนการแทนพวกเขาในแต่ละรุ่น มันจะรับประกันว่า จำนวนวิธีที่ถูกต้องจะสูงกว่า 3)อนุภาคในประชากรที่ไม่ต้องการ จะทำให้อัลกอริทึมที่ดีเหมาะสม สำหรับแบบอะแดปทีฟ เนื่องจากการค้นหาสามารถดำเนินต่อเมื่อจำเป็น และ จากจุด ปล่อยออก (เช่น เที่ยวกำหนดค่าล่าสุด); 4)อัลกอริทึมอาจให้เรา Pareto พื้นผิวโดยไม่ต้องแก้ไขมากโดยแต่ละคุ้มค่าในโครงสร้าง ดังนั้น ผลผลิตการยอมรับข้อบกพร่อง

ผลลัพธ์ (ไทย) 3:

ค . 2d-bpso
นี้ย่อยส่วนกล่าวถึง 2d-bpso , ขั้นตอนวิธีขึ้นอยู่กับอนุภาคสวอน Optimization ( PSO ) [ 12 ] , ที่ออกแบบมาเพื่อความสมดุลโหลดความต้องการในแหล่งต่าง ๆ ในบ้านสมาร์ท มีข้อดีหลายประการในการใช้ระบบเป็นหลักสำหรับ sheap โหลดสมดุล : 1 ) ความแนบเนียนที่ใช้ร่วมกันโดยทุกวิวัฒนาการ computa tion ขั้นตอนวิธี which help to find solutions faster, 2) by moving particles across the sample space, instead of replacing them in each generation, it is guaranteed that the number of valid solutions will be higher; 3) the particles in the population do not require to be reset, making the algorithm well suited for adaptive processing, since the search can resume when needed and from the point it left out (i.e., last best known configuration); 4) the algorithm may provide us with Pareto surfaces without much modification by using the individual best values in its structure, thus, yielding fault tolerance.