C. Performance Analysis of the Hybr

C. Performance Analysis of the Hybrid Genetic Algorithm
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:

ค การวิเคราะห์ประสิทธิภาพการทำงานของขั้นตอนวิธีพันธุกรรมลูกผสม
ในหมวดนี้เราพูดถึงผลบางอย่างที่เกี่ยวข้องกับการปฏิบัติงานของ
ga ไฮบริดโดยเฉพาะอย่างยิ่งที่เกี่ยวกับการประกอบการ
ครอสโอเวอร์ที่ใช้ เมื่อเปรียบเทียบกับผลการดำเนินงานของ
สองผู้ประกอบการข้าม, เราเริ่มใช้
ค่าเท่าเทียมกันสำหรับพารามิเตอร์อื่น ๆ เช่นครอสโอเวอร์และการกลายพันธุ์
น่าจะเป็นเช่นเดียวกับที่อัตราอภิสิทธิ์มันกลับกลายเป็นว่า
ในกรณีที่ผู้ประกอบการในภูมิภาคปรับเสียงบิตทำงาน
โดยทั่วไปดีขึ้นมาก.
ต่อไปเราดำเนินการทดลองกับพารามิเตอร์ที่ดีที่สุด
ค่าตามที่กล่าวไว้ในตาราง ii เป็นได้แล้ว
ดังกล่าวข้างต้นทั้ง ga คำสั่งสองจุดตามภูมิภาคและ
ga กับควอไลเซอร์
ผู้ประกอบการข้ามบิตสองจุดที่มีความสามารถในการหาทางออกที่ดีที่สุด
ในทุกกรณีเราพยายามก๊าซร้อยครั้งโดยใช้ที่แตกต่างกันการเตรียม
ในกรณีของการใช้ ga กับทั้งสองจุด
ภูมิภาคเพื่อใช้กับ 50 รุ่น (และพารามิเตอร์
ตั้งค่าอื่น ๆ ตามที่ระบุไว้ในตารางที่ 2) วิธีที่ดีที่สุด
ไม่พบเ​​สมอคือในเวลาเพียง 89% ของกรณีที่
แต่ในกรณีของการใช้ ga ที่ 100 รุ่น
ทางออกที่ดีที่สุดก็มักจะพบได้ในเฉลี่ยเกือบ 31 ​​
ซ้ำกับส่วนเบี่ยงเบนมาตรฐานประมาณ 15,5
. ในกรณีของการใช้ ga กับควอไลเซอร์
ผู้ประกอบการข้ามบิตสองจุดเป็นร้อยครั้งกับ 50 รุ่น
ga ก็สามารถที่จะหาทางออกที่ดีที่สุดใน ทุกกรณีใช้
โดยเฉลี่ยเพียง 22.2 ซ้ำกับการเบี่ยงเบนมาตรฐานของ
ประมาณ 9,8 ซ้ำ ตัวเลขเหล่านี้แสดงให้เห็นว่า
ga ที่มีผู้ประกอบการบิตภูมิภาคปรับเสียงเป็นทั้งแข็งแกร่ง
ในการหาทางออกที่ดีที่สุดและรวดเร็วแม้ว่าความเร็วของการลู่
จะค่อนข้างมีความสำคัญในการเริ่มต้น
ประชากรที่เลือก ดังต่อไปนี้ตัวเลขที่สองต่อไปสว่างเหล่านี้
ผลการวิจัย ทั้งความคืบหน้าของการออกกำลังกายค่า
(ข้อผิดพลาดการติดตาม) ค่าเฉลี่ยของการแก้ปัญหาที่ดีที่สุดของแต่ละรุ่นเป็น
แสดงให้เห็นและความคืบหน้าของมูลค่าการออกกำลังกายของ
ทางออกที่ดีที่สุดของแต่ละรุ่นในครั้งเดียววิ่งปกติจะปรากฏ.
สำหรับผลอื่น ๆ บางอย่างเกี่ยวกับการพบปัญหา AEX ดัชนี
ติดตามเราดูที่ [1]

ผลลัพธ์ (ไทย) 2:

C. วิเคราะห์ประสิทธิภาพของอัลกอริทึมพันธุผสม
ใน subsection นี้ เราพูดถึงผลลัพธ์บางอย่างที่เกี่ยวข้องกับ
ประสิทธิภาพการผสม GA ด้วยความเคารพโดยเฉพาะอย่างยิ่งการ
ไขว้ตัวใช้ เมื่อเปรียบเทียบประสิทธิภาพ
ของผู้ประกอบการมากกว่าขนสอง เราเริ่มใช้เท่า
ค่าพารามิเตอร์อื่น ๆ เช่นแบบไขว้และการกลายพันธุ์
กิจกรรมตลอดจนอัตรา elitism จะเปิดออกที่
ในกรณี ตัวดำเนินการบิตตัวปรับแต่งเสียงแบบไขว้ทำงาน
ดีกว่าทั่วไปมากขึ้น
ถัดไป ที่เราดำเนินการทดลอง ด้วยพารามิเตอร์ให้เหมาะ
ค่าไว้ในตารางที่สอง เป็นอยู่
กล่าว ทั้ง GA กับสั่งสองจุดตาม
ไขว้และ GA มีตัวปรับแต่งเสียงบิตสองจุด
ไขว้ตัวก็สามารถหาทางออกดีที่สุด ใน
ทุกกรณี เราพยายามแก๊สร้อยครั้งใช้แตกต่างกัน
initializations กรณีใช้ GA ที่มีจุดสอง
ตามสั่งแบบไขว้กับรุ่น 50 (และพารามิเตอร์อื่น ๆ
ตั้งค่าไว้ในตารางที่ 2), โซลูชั่นดีที่สุด
ไม่เสมอพบ ได้แก่เพียง 89% ของกรณี
อย่างไรก็ตาม ในกรณีที่ใช้ GA ที่มีรุ่น 100 การ
พบโซลูชันที่ดีที่สุดเสมอใน เฉลี่ย เกือบ 31
ซ้ำ มีค่าเบี่ยงเบนมาตรฐานประมาณ 15, 5.
กรณีใช้ GA กับตัวปรับแต่งเสียงบิตสองจุด
ตัวไขว้ร้อยครั้งกับรุ่น 50
GA ก็สามารถหาทางออกดีที่สุดในทุกกรณีใช้,
โดยเฉลี่ย ซ้ำเฉพาะ 22,2 มีค่าเบี่ยงเบนมาตรฐานของ
ซ้ำประมาณ 9,8 ตัวเลขเหล่านี้แสดงว่าการ
GA ด้วยตัวดำเนินการบิตตัวปรับแต่งเสียงแบบไขว้ทั้งแข็งแกร่ง
ในการหาโซลูชันที่ดีที่สุดและรวดเร็ว แม้ว่าความเร็ว
บรรจบกันเป็นค่อนข้างสำคัญสำหรับการเลือกเริ่มต้น
ประชากร ทั้งสองต่อไปนี้ตัวเลขเพิ่มเติมแสงสว่างเหล่านี้
ผลการวิจัย ทั้งความคืบหน้าของ
(tracking error) ค่าออกกำลังกายเฉลี่ยของการแก้ปัญหาที่ดีที่สุดของแต่ละรุ่นเป็น
แสดง และความคืบหน้าของค่าฟิตเนสที่สุด
แสดงของแต่ละรุ่นในครั้งเดียว โดยทั่วไปรัน
สำหรับผลลัพธ์บางอย่างพบเกี่ยวกับดัชนี AEX
ติดตามปัญหา เราอ้างอิง [1]

ผลลัพธ์ (ไทย) 3:

C การวิเคราะห์ ประสิทธิภาพ ของระบบไฮบริดทางพันธุกรรมอัลกอริธึมที่
ซึ่งจะช่วยในส่วนย่อยนี้เราจะกล่าวถึงผลการศึกษาบางประการที่เกี่ยวข้องกับ
ซึ่งจะช่วยเพิ่ม ประสิทธิภาพ ของ GA ไฮบริดที่โดยเฉพาะกับผู้ประกอบการราย
ครอสโอเวอร์ที่ใช้ เมื่อเปรียบเทียบกับ ประสิทธิภาพ การทำงานที่
ซึ่งจะช่วยให้ผู้ประกอบธุรกิจของทั้งสองแบบมากกว่าที่เราใช้ในครั้งแรกเท่ากับ
ซึ่งจะช่วยค่าพารามิเตอร์อื่นๆเช่นครอสโอเวอร์และความน่าจะเป็นคือมัน
รวมทั้งอัตรา elitism ได้ก็ออกมาว่า
ซึ่งจะช่วยในกรณีที่ผู้ให้บริการครอสโอเวอร์อีควอไลเซอร์บิต
ซึ่งจะช่วยให้ทำงานดีขึ้นมากโดยทั่วไปแล้ว.
ต่อไปเราจะได้ทำการทดลองด้วยการปรับแต่งพารามิเตอร์
ซึ่งจะช่วยค่าที่กล่าวมาใน II โต๊ะ ที่จะกล่าวถึงข้างต้นแล้ว
, GA พร้อมด้วยสองจุดการสั่งซื้อโดยใช้
ครอสโอเวอร์และ, GA พร้อมด้วยผู้ให้บริการบิตอีควอไลเซอร์
ครอสโอเวอร์สองจุดที่ทำให้ทั้งสองคนสามารถค้นหาโซลูชันที่ดีที่สุด ในบางกรณี
ทั้งหมดเราพยายามก๊าซที่เป็นร้อยเท่าโดยใช้แตกต่างกัน
initializations ในกรณีของการใช้, GA พร้อมด้วยครอสโอเวอร์สองจุด
ซึ่งจะช่วยการสั่งซื้อที่ใช้งานกับ 50 รุ่น(และพารามิเตอร์อื่นๆ
ซึ่งจะช่วยการตั้งค่าตามที่ได้กล่าวไว้ข้างต้นในตารางที่ 2 )โซลูชันที่ดีที่สุดไม่พบ
ซึ่งจะช่วยอยู่เสมอคือในระยะเวลาเพียง 89% ของคดีที่.
อย่างไรก็ตามในกรณีของการใช้โซลูชันที่ดีที่สุดที่
, GA พร้อมด้วย 100 รุ่นก็พบได้ในทุกครั้งโดยเฉลี่ยแล้วเกือบ 31
ซ้ำๆกันพร้อมด้วยมาตรฐานการผูกกับการเบี่ยงเบน(ประมาณ 15,5 .
ในกรณีของการใช้ที่ GA พร้อมด้วยที่สองจุดบิตอีควอไลเซอร์
ครอสโอเวอร์ผู้ควบคุมเป็นร้อยเท่ากับ 50 พงศ์พันธุ์ที่
, GA ก็สามารถค้นหาโซลูชันที่ดีที่สุดในทุกกรณีโดยใช้,
โดยเฉลี่ยแล้ว,เท่านั้น 22,2 ซ้ำๆกันพร้อมด้วยมาตรฐานของการผูกกับการเบี่ยงเบน(
ประมาณ 9,8 ซ้ำๆกัน. ตัวเลขเหล่านี้แสดงให้เห็นว่าได้ตอบแทน
ท่าพิคอัพแล้วครอสโอเวอร์, GA พร้อมด้วยผู้ให้บริการอีควอไลเซอร์ bit ที่มีทั้งความแข็งแกร่ง
ซึ่งจะช่วยในการค้นหาโซลูชันที่เหมาะสมที่สุดและความเร็วที่ได้อย่างรวดเร็วแม้ว่า
ซึ่งจะช่วยในการผนวกรวมเป็นบางส่วนที่สำคัญสำหรับเลือกเริ่มต้น
ประชากรที่ คนสองคนต่อไปนี้:เพิ่มเติมทำให้กระจ่าง
จากการสำรวจนี้ ความคืบหน้าของทั้งค่าฟิตเน็สเซ็นเตอร์โดยเฉลี่ย
(ข้อผิดพลาดการติดตาม)ของโซลูชันที่ดีที่สุดของแต่ละรุ่นมี
แสดงผลและความคืบหน้าในการมอบความคุ้มค่าฟิตเน็สเซ็นเตอร์ที่ดีที่สุดของโซลูชัน
ซึ่งจะช่วยให้การทำงานในแต่ละรุ่นที่ได้รับตามแบบอย่างเดียว.
สำหรับผลการอื่นๆบางอย่างเกี่ยวกับปัญหาพบ
การติดตามเพื่อให้มีดัชนีที่เราดูใน[ 1 ]