The field of multiobjective evoluti

The field of multiobjective evolutionary optimisation is one
of the hottest issues in evolutionary computation. The most
outstanding ability ofMOEAs is that they can explore a Pareto
front within one simulation run. This in combination with
their simplicity, robustness, and capability of dealing with all
kind of variables makes this kind of optimiser more popular
and attractive. MOEAs search mechanisms are based on a
population of design solutions, which work in such a way that
a population is evolved iteration by iteration. A matrix called
an external Pareto archive is used to collect nondominated
solutions iteratively. The Pareto archive is updated until a
termination criterion is fulfilled.TheMOEAs used for a comparative
performance test in this paper are given below.

ผลลัพธ์ (ไทย) 1:

ฟิลด์ของวิวัฒนาการปรับ multiobjective เป็นหนึ่งปัญหาที่ร้อนแรงที่สุดในการคำนวณเชิงวิวัฒนาการ มากสุดofMOEAs ความสามารถที่โดดเด่นคือ ว่า พวกเขาสามารถสำรวจที่ Paretoหน้าภายในจำลองหนึ่งที่เรียกใช้ นี้ร่วมกับความเรียบง่ายของพวกเขา ความทนทาน และความสามารถในการจัดการกับทั้งหมดชนิดของตัวแปรทำให้เพิ่มประสิทธิภาพชนิดนี้นิยมมากและน่าสนใจ กลไกการค้นหา MOEAs ตามประชากรของโซลูชันการออกแบบ ที่ทำงานในลักษณะที่ประชากรมีพัฒนาซ้ำโดยเกิดซ้ำ เรียกว่าเมทริกซ์เก็บ Pareto ภายนอกถูกใช้เพื่อเก็บรวบรวม nondominatedโซลูชันซ้ำ ๆ มีการปรับปรุงเก็บถาวรของ Pareto จนเป็นยกเลิกเงื่อนไขเป็นจริง TheMOEAs ที่ใช้สำหรับการเปรียบเทียบการทดสอบประสิทธิภาพในเอกสารนี้มีดังต่อไปนี้

ผลลัพธ์ (ไทย) 2:

ด้านการเพิ่มประสิทธิภาพวิวัฒนาการ multiobjective เป็นหนึ่ง
ในประเด็นที่ร้อนแรงที่สุดในการคำนวณวิวัฒนาการ ส่วนใหญ่
ความสามารถโดดเด่น ofMOEAs ที่พวกเขาสามารถสำรวจ Pareto
ด้านหน้าภายในวิ่งจำลองหนึ่ง นี้ร่วมกับ
ความเรียบง่ายของพวกเขา, ความทนทานและความสามารถในการจัดการกับทุก
ชนิดของตัวแปรที่ทำให้ชนิดของการเพิ่มประสิทธิภาพนี้เป็นที่นิยมมากขึ้น
และน่าสนใจ MOEAs กลไกการค้นหาจะขึ้นอยู่กับ
จำนวนประชากรของโซลูชั่นการออกแบบซึ่งทำงานในลักษณะที่
ประชากรมีการพัฒนาโดยการทวนซ้ำ เมทริกซ์ที่เรียกว่า
ที่เก็บ Pareto ภายนอกถูกนำมาใช้ในการเก็บรวบรวม nondominated
โซลูชั่นซ้ำ Pareto เก็บมีการปรับปรุงจนกว่าจะมี
เกณฑ์เลิก fulfilled.TheMOEAs ใช้สำหรับเปรียบเทียบ
การทดสอบประสิทธิภาพในบทความนี้จะได้รับดังนี้

ผลลัพธ์ (ไทย) 3:

ด้าน multiobjective วิวัฒนาการ Optimisation เป็นหนึ่งในประเด็นที่ร้อนแรงที่สุดในการคำนวณเชิงวิวัฒนาการ . มากที่สุดofmoeas ความสามารถที่โดดเด่นคือ ว่า พวกเขาสามารถสำรวจโตหน้าภายในหนึ่งจำลองวิ่ง นี้ในการรวมกันกับของความเรียบง่าย ความแกร่ง และความสามารถในการจัดการกับชนิดของตัวแปรที่ทำให้ชนิดนี้ของ optimiser เป็นที่นิยมมากขึ้นและมีเสน่ห์ กลไกการค้นหา moeas จะขึ้นอยู่กับประชากรของโซลูชั่นการออกแบบ ซึ่งการทำงานในลักษณะดังกล่าวว่าประชากร คือ พัฒนาโดยการทำซ้ำ . เมทริกซ์ที่เรียกว่าเก็บถาวรจะใช้ในการเก็บ nondominated โตภายนอกโซลูชั่นซ้ำ . ที่ช่วยเก็บปรับปรุงจนกระทั่งเกณฑ์การเป็น fulfilled.themoeas ใช้สำหรับเปรียบเทียบทดสอบสมรรถนะในกระดาษนี้จะได้รับด้านล่าง