Parameters of the Genetic Algorithm

Parameters of the Genetic Algorithm: One of the
difficulties of genetic algorithms is finding the best internal
parameters in order to optimize speed and convergence.
These parameters are
• Size of the initial population
• Number of generations
• Crossover probability
• Mutation probability
• Rate of elitism.
The parameter values to be used are dependent on the type
of GA operators used. In order to be able to compare the
performance of the two crossover operators used, we tried to
keep the rest of the parameters the same. After quite a lot of
trial and error, the parameter values as presented in Table 2
appeared to be adequate. A rather low crossover probability
(0.1) together with a high mutation probability (1.0) yielded
the best results in the first series of experiments. This is
remarkable since it actually means that the two-point order based
crossover does not really works fine. The fact that this
way, eventually, optimal solutions are found yet seems to
be based on an almost less random search (caused by the
high mutation rate) in combination with the application of
an elitism strategy This was the reason to look for another cross-over operator,
the above-mentioned two-point bit equalizer crossover. In
the second series of experiments while applying this operator,
a more usual crossover probability (1.0) together with a more
normal, lower (but still quite high) mutation probability (0.5)
appeared to be best choices.
Initially, we used 50 generations of both GAs. For the GA
with the two-point bit equalizer crossover operator, this number
appeared to be large enough to guarantee convergence
to the same final solution in all experiments. However, this
number is not sufficient to guarantee convergence to the final
solution in case of using the GA with the two-point order based
crossover operator. We therefore also tried that GA
using 100 generations.

ผลลัพธ์ (ไทย) 1:

พารามิเตอร์ของขั้นตอนวิธีพันธุกรรม: หนึ่ง
ปัญหาของขั้นตอนวิธีทางพันธุกรรมคือการหาที่ดีที่สุดพารามิเตอร์ภายใน
เพื่อเพิ่มประสิทธิภาพและความเร็วในการลู่
พารามิเตอร์เหล่านี้
•ขนาดของประชากรเริ่มต้น
•จำนวนรุ่น
•ครอสโอเวอร์น่าจะเป็น
. •การกลายพันธุ์น่าจะเป็น
•อัตราอภิสิทธิ์.
ค่าพารามิเตอร์ที่จะใช้จะขึ้นอยู่กับประเภทของผู้ประกอบการ
ga ใช้เพื่อที่จะสามารถที่จะเปรียบเทียบ
การปฏิบัติงานของสองผู้ประกอบการครอสโอเวอร์ที่ใช้เราพยายามที่จะเก็บส่วนที่เหลือ
ของพารามิเตอร์เดียวกัน หลังจากค่อนข้างมาก
ลองผิดลอง, ค่าพารามิเตอร์ที่แสดงในตารางที่ 2
ดูเหมือนจะเพียงพอ ครอสโอเวอร์น่าจะค่อนข้างต่ำ
(0.1) ร่วมกับความน่าจะกลายพันธุ์สูง (1.0) ให้ผล
ผลลัพธ์ที่ดีที่สุดในซีรีส์แรกของการทดลองนี้เป็นที่น่าทึ่ง
เพราะมันจริงหมายถึงว่าคำสั่งสองจุดตามภูมิภาค
ไม่ได้จริงๆทำงานได้ดี ความจริงที่ว่านี้
วิธีในที่สุดการแก้ปัญหาที่ดีที่สุดจะพบว่ายังดูเหมือนว่าจะ
จะขึ้นอยู่กับการค้นหาเกือบสุ่มน้อยกว่า (ที่เกิดจากการ
อัตราการกลายพันธุ์สูง) ร่วมกับการประยุกต์ใช้กลยุทธ์
อภิสิทธิ์นี่คือเหตุผลที่จะดู อีกผู้ประกอบการข้าม,
ดังกล่าวข้างต้นทั้งสองจุดครอสโอเวอร์ควอไลเซอร์บิต
ในชุดที่สองของการทดลองในขณะที่ใช้การดำเนินการนี​​้
น่าจะเป็นครอสโอเวอร์ปกติมากขึ้น (1.0) ร่วมกับมากขึ้น
ปกติท​​ี่ต่ำกว่า (แต่ก็ยังค่อนข้างสูง) น่าจะกลายพันธุ์ (0.5)
ดูเหมือนจะเป็นทางเลือกที่ดีที่สุด.
ในขั้นต้น เราใช้ 50 รุ่นของก๊าซทั้งสอง เพื่อ ga
กับผู้ประกอบการปรับเสียงบิตข้ามสองจุดจำนวนนี้
ดูเหมือนจะมีขนาดใหญ่พอที่จะรับประกันการบรรจบ
ไปทางออกสุดท้ายเหมือนกันในการทดลองทั้งหมด แต่นี้
จำนวนไม่เพียงพอที่จะรับประกันการบรรจบ
ทางออกสุดท้ายในกรณีของการใช้ ga ที่มีการสั่งซื้อสองจุดที่ใช้ประกอบ
ครอสโอเวอร์ เราจึงยังพยายามที่ ga
100 รุ่น

ผลลัพธ์ (ไทย) 2:

พารามิเตอร์ของอัลกอริทึมทางพันธุกรรม: หนึ่ง
ความยากลำบากของอัลกอริทึมทางพันธุกรรมคือการหาดีที่สุดภายใน
พารามิเตอร์เพื่อปรับความเร็วและบรรจบกัน
พารามิเตอร์เหล่านี้
•ขนาดของประชากรเริ่มต้น
•จำนวนรุ่น
•ความน่าเป็นแบบไขว้
•ความน่าเป็นการกลายพันธุ์
•อัตราของ elitism
ค่าพารามิเตอร์ที่จะใช้จะขึ้นอยู่กับชนิด
ของ GA ตัวใช้ เพื่อให้สามารถเปรียบเทียบการ
ประสิทธิภาพในแบบไขว้สองผู้ประกอบการที่ใช้ เราพยายาม
เก็บพารามิเตอร์เดียวกัน หลังจากค่อนข้างมาก
ลองผิดลองถูก ค่าพารามิเตอร์ที่แสดงในตารางที่ 2
ปรากฏ ว่าเพียงพอ Probability
(0.1) ไขว้ค่อนข้างต่ำกับความกลายพันธุ์สูง (1.0) ผล
ผลลัพธ์ดีที่สุดในชุดแรกของการทดลอง นี้
โดดเด่น เพราะมันจะหมายความ ว่า สั่งสองจุดตาม
ไขว้ไม่จริง ๆ ทำงานดีขึ้น ความจริงที่นี้
วิธี สุด โซลูชั่นที่ดีที่สุดอยู่ แต่ดูเหมือนว่า
ขึ้นอยู่กับการค้นหาแบบสุ่มเกือบน้อย (สาเหตุ
อัตราการกลายพันธุ์สูง) ร่วมด้วย
elitism กลยุทธ์ตัวนี้เป็นเหตุผลหาอื่นข้ามเกินตัว,
แบบไขว้ตัวปรับแต่งเสียงบิตสองจุดดังกล่าว ใน
ชุดที่สองของการทดลองในขณะที่ใช้ตัวดำเนินการนี้,
เป็นปกติมากขึ้นแบบไขว้ความน่าเป็น (1.0) พร้อม
ความน่าเป็นปกติ ต่ำกว่า (แต่ยังค่อนข้างสูง) การกลายพันธุ์ (0.5)
ปรากฏเป็น ตัวเลือกที่ดีที่สุด
ครั้งแรก เราใช้รุ่น 50 ของก๊าซทั้งสอง สำหรับ GA
กับตัวจุดสองบิตตัวปรับแต่งเสียงแบบไขว้ หมายเลขนี้
ปรากฏ ว่าพอรับประกันบรรจบกัน
โซลูชันสุดท้ายเดียวกันในการทดลองทั้งหมด อย่างไรก็ตาม นี้
จำนวนไม่เพียงพอที่จะรับประกันการสุดท้ายที่บรรจบกัน
โซลูชันกรณีใช้ GA จะมีใบสองแฉกตาม
ไขว้ดำเนินการ เราจึงยังพยายามที่ GA
ใช้รุ่น 100

ผลลัพธ์ (ไทย) 3:

พารามิเตอร์ของพันธุกรรมอัลกอริธึม:หนึ่งใน
ปัญหาของสารพันธุกรรมอัลกอริธึมที่ดีที่สุดคือการหา ภายใน
ซึ่งจะช่วยค่าพารามิเตอร์ในการสั่งซื้อเพื่อเพิ่ม ประสิทธิภาพ ความเร็วและเทคโนโลยี.

พารามิเตอร์เหล่านี้•ขนาดของประชากรที่เริ่มต้น
•หมายเลขของคนรุ่น

•ครอสโอเวอร์โอกาส•คือมันมีโอกาส
•อัตราของ elitism .
ที่ค่าพารามิเตอร์จะใช้จะขึ้นอยู่กับ ประเภท ของ GA
ซึ่งจะช่วยให้ผู้ประกอบธุรกิจใช้.ในการสั่งซื้อจะสามารถเปรียบเทียบ
ซึ่งจะช่วยเพิ่ม ประสิทธิภาพ ของทั้งสองรายครอสโอเวอร์ที่ใช้เราพยายามที่จะ
ซึ่งจะช่วยทำให้ส่วนที่เหลือของพารามิเตอร์ที่เดียวกัน หลังจากที่ค่อนข้างมากของข้อผิดพลาดและ
ซึ่งจะช่วยการทดลองใช้งานค่าพารามิเตอร์ที่นำเสนอมาในตารางที่ 2
ปรากฏให้ได้อย่างเพียงพอ ค่อนข้างต่ำโอกาสครอสโอเวอร์
( 0.1 )พร้อมด้วยความเป็นไปได้คือมันสูง( 1.0 )กะเอา
ซึ่งจะช่วยให้ผลลัพธ์ที่ดีที่สุดในชุดแรกของการทดลอง.โรงแรมแห่งนี้คือความโดดเด่น
ซึ่งจะช่วยจริงๆเพราะมันหมายความว่าสองจุดซึ่งใช้การสั่งซื้อครอสโอเวอร์
ซึ่งจะช่วยไม่ได้จริงๆไม่ทำงานได้ ข้อเท็จจริงที่ว่านี้
ทาง,ในท้ายที่สุดก็จะให้มี ประสิทธิภาพ โซลูชันที่พบได้แต่ก็ดูเหมือนว่าจะ
ต้องอยู่บนพื้นฐานที่เกือบจะน้อยลงแบบสุ่มการค้นหา(ที่เกิดจากที่สูงคือมัน
ซึ่งจะช่วยอัตรา)ในการใช้งานร่วมกับแอปพลิเคชันของ
ซึ่งจะช่วยให้ elitism ยุทธศาสตร์นี้คือเหตุผลในการมองอีกแบบผ่านผู้ให้บริการ,
ท่าพิคอัพแล้วครอสโอเวอร์อีควอไลเซอร์ bit สองจุดดังกล่าวข้างต้น. ใน
ซึ่งจะช่วยให้คนที่สองของการทดลองในขณะใช้ผู้ดำเนินการ,
ที่มากขึ้นตามปกติมีโอกาสครอสโอเวอร์( 1.0 )เข้าหากันด้วยมากกว่าปกติ
ซึ่งจะช่วยลดลง(แต่ยังมีค่อนข้างสูง)คือมันมีโอกาส( 0.5 )
มาเป็นทางเลือกที่ดีที่สุด.
ในครั้งแรกที่เรานำมาใช้ 50 รุ่นทั้งก๊าซ สำหรับ, GA ที่
กับผู้ให้บริการครอสโอเวอร์อีควอไลเซอร์ bit สองจุดที่ทำให้จำนวน
ตามมาตรฐานนี้ปรากฏขึ้นให้มีขนาดใหญ่พอที่จะรับประกันว่าผู้นำชีวิต Convergence Lifestyle
ซึ่งจะช่วยในการโซลูชันสุดท้ายเดียวกันในการทดลองทั้งหมด แต่ถึงอย่างไรก็ตาม
หมายเลขนี้ไม่เพียงพอที่จะรับประกันถึงการทำงานร่วมกันเพื่อสุดท้าย
โซลูชันที่ในกรณีของการใช้, GA พร้อมด้วยผู้ให้บริการ
ครอสโอเวอร์สองจุดการสั่งซื้อนี้ เราจึงยังพยายามที่ Ga
การใช้ 100 รุ่น