a set of chromosomes are selected a

a set of chromosomes are selected as initial parents at the
reproduction stage on the basis of their fitness. The process of
mating is implemented through the crossover operator. Mutation,
an arbitrary change of the genes, is implemented to preserve the
genetic diversity in the population. Mutation probability of occurrence should be kept low as it would potentially disrupt the good
solution (Chien and Wang, 2011). The stochastic selection process,
biased towards the fitter individuals, is implemented to select the
new set of population for the next generation. The newly created
population is further evaluated and tested for termination. If the
termination criterion is not met, the population is iteratively
operated and evaluated further by the above three operators until
termination criterion of pre-set maximum number of generations
is met (Ahmed and Sarma, 2005; Vascan and Raju, 2009).
More recently, GA has been applied to the search for multiobjective optimization, which has the distinct advantage of being able
to handle multi-objective problems that other gradient-based optimizers have failed to solve (Augusto et al., 2006). For example, Chang
(2008) proposed proper penalty strategy for every parameter in order
to guide GA searching process, which is used as a search engine for
reservoir flood operation; Hakimi-Asiabar et al. (2009) showed the
concept of learning rule of Self-Organizing Map (SOM), which can
learn and improve the efficiency of data processing algorithms, with
the purpose of improving the genetic diversity; Hakimi-Asiabar et al.
(2010) developed a Self-Learning Genetic Algorithm (SLGA) model and
applied the model to derive optimal operating policies for a threeobjective multi-reservoir system; Han et al. (2012) employed a selfadaptive genetic algorithm with simulated binary crossover to search
optimal reservoir operating rules. The GA seems particularly suitable
for solving multi-objective optimization problems because it deals
simultaneously with a set of possible solutions. This allows the
identification of several members of the Pareto-optimal set in a single
run, in contrast to traditional mathematical programming techniques.
Although the GA is efficient in searching for globally optimal solutions,
it still encounters the difficulties in dealing with complex constraints.
One difficulty is that once the search has narrowed near the previous
optimal solution, the diversity in the population may not be enough
for the search to come out and proceeds towards the new optimal
solution. Furthermore, mutation probability of occurrence can potentially disrupt the good solution. Therefore, some improvements should
be implemented to obtain better GA solutions.

ผลลัพธ์ (ไทย) 1:

เลือกชุดของโครโมโซมเป็นพ่อแม่เริ่มต้นที่การขั้นตอนการทำซ้ำตามความเหมาะ กระบวนการของการผสมพันธุ์ถูกนำมาใช้การใช้งานแบบไขว้ กลายพันธุ์มีดำเนินการเปลี่ยนแปลงโดยพลการของยีน การรักษาความหลากหลายทางพันธุกรรมในประชากร กลายพันธุ์น่าเป็นของเหตุการณ์ควรเก็บต่ำขณะที่มันอาจจะทำลายความดีโซลูชัน (เจียนและวัง 2011) กระบวนการ stochastic เลือกลำเอียงต่อบุคคลโลภ ถูกนำมาใช้เพื่อเลือกการชุดใหม่ของประชากรในรุ่นต่อไป สร้างขึ้นใหม่นอกจากนี้ประชากรเพิ่มเติมจะถูกประเมิน และทดสอบสำหรับการเลิกจ้าง ถ้าการไม่เป็นไปตามเกณฑ์การเลิกจ้าง มีประชากรปรับปรุงต้นดำเนินการ และประเมินเพิ่มเติม โดยโอเปอเรเตอร์สามข้างต้นจนถึงยกเลิกเกณฑ์ของจำนวนสูงสุดที่ตั้งไว้ล่วงหน้าของรุ่นเม็ท (Ahmed และแก้ว 2005 Vascan และ Raju, 2009)เมื่อเร็ว ๆ นี้ GA ได้ถูกใช้เพื่อค้นหาการเพิ่มประสิทธิภาพของ multiobjective ซึ่งมีข้อดีแตกต่างกันของความสามารถการจัดการปัญหาแบบที่เพิ่มประสิทธิภาพอื่น ๆ ไล่ตามไม่สามารถแก้ปัญหา (Augusto et al. 2006) ตัวอย่างเช่น ช้างกลยุทธ์ (2008) เสนอโทษที่เหมาะสมสำหรับทุกพารามิเตอร์ในใบสั่งการแนะนำกระบวนการ ซึ่งจะใช้เป็นเครื่องมือค้นหาสำหรับค้นหา GAน้ำท่วมอ่างเก็บน้ำดำเนินการ Hakimi Asiabar et al. (2009) แสดงให้เห็นว่าการแนวคิดของการเรียนรู้กฎของ Self-Organizing แผนที่ (โสม), ซึ่งสามารถเรียนรู้ และปรับปรุงประสิทธิภาพของอัลกอริธึมการประมวลผลข้อมูล ด้วยวัตถุประสงค์ของการปรับปรุงพันธุ Hakimi Asiabar et al(2010) ได้พัฒนาแบบจำลอง Self-Learning พันธุอัลกอริทึม (SLGA) และใช้รูปแบบการสืบทอดนโยบายการดำเนินงานที่เหมาะสมสำหรับระบบอ่างเก็บน้ำหลาย threeobjective Han et al. (2012) ใช้อัลกอริธึมพันธุกรรมแบบ selfadaptive กับจำลองครอสโอเวอร์ไบนารีการค้นหากฎการดำเนินงานอ่างเก็บน้ำที่เหมาะสม GA ดูเหมือนว่าเหมาะอย่างยิ่งสำหรับการแก้ปัญหาหลายวัตถุประสงค์เนื่องจากมันพร้อมกันกับชุดของการแก้ไขปัญหา นี้ช่วยให้การรหัสของสมาชิกหลายของ Pareto สุดตั้งค่าในครั้งเดียวงาน ตรงกันข้ามกับเทคนิคการเขียนโปรแกรมคณิตศาสตร์ดั้งเดิมแม้ว่า GA มีประสิทธิภาพในการค้นหาโซลูชั่นที่ดีที่สุดทั่วโลกยังคงพบปัญหาในการจัดการกับข้อจำกัดที่ซับซ้อนหนึ่งปัญหาคือว่าเมื่อการค้นหาให้แคบลงใกล้ก่อนหน้าโซลูชั่น ความหลากหลายในประชากรอาจไม่เพียงพอสำหรับการค้นหาจะออกมาและดำเนินไปสู่ใหม่ที่เหมาะสมการแก้ปัญหา นอกจากนี้ กลายพันธุ์น่าเป็นของเหตุการณ์อาจทำให้สามารถการแก้ปัญหาที่ดี ดังนั้น ควรปรับปรุงสามารถนำมาใช้จะได้รับโซลูชั่น GA

ผลลัพธ์ (ไทย) 2:

ชุดของโครโมโซมได้รับการคัดเลือกเป็นพ่อแม่เริ่มต้นที่
ขั้นตอนการทำสำเนาบนพื้นฐานของการออกกำลังกายของพวกเขา กระบวนการของ
การผสมพันธุ์จะดำเนินการผ่านผู้ประกอบการครอสโอเวอร์ การกลายพันธุ์,
การเปลี่ยนแปลงโดยพลการของยีนที่จะดำเนินการเพื่อรักษา
ความหลากหลายทางพันธุกรรมในประชากร ความน่าจะเป็นของการเกิดการกลายพันธุ์ควรจะเก็บไว้ต่ำที่สุดเท่าที่มันอาจจะส่งผลกระทบต่อความดี
การแก้ปัญหา (เชียนและวัง 2011) ขั้นตอนการคัดเลือกสุ่ม
ลำเอียงต่อบุคคลช่างฟิตจะดำเนินการในการเลือก
ชุดใหม่ของประชากรสำหรับรุ่นต่อไป ที่สร้างขึ้นใหม่
ประชากรได้รับการประเมินต่อไปและการทดสอบสำหรับการยกเลิก ถ้า
เกณฑ์การเลิกจ้างไม่เป็นไปตามจำนวนประชากรที่มีการซ้ำ
การดำเนินการและประเมินผลต่อไปโดยด้านบนสามผู้ประกอบการจน
เกณฑ์การสิ้นสุดของจำนวนสูงสุดที่ตั้งไว้ล่วงหน้าของคนรุ่น
จะพบ (อาเหม็ดและ Sarma 2005; Vascan และ Raju 2009).
เมื่อเร็ว ๆ นี้ , GA ได้รับนำไปใช้กับการค้นหาสำหรับการเพิ่มประสิทธิภาพ multiobjective ซึ่งมีประโยชน์ที่แตกต่างของความสามารถใน
การจัดการกับปัญหาหลายวัตถุประสงค์ที่เพิ่มประสิทธิภาพการไล่ระดับสีอื่น ๆ ตามที่ได้ล้มเหลวในการแก้ปัญหา (Augusto et al., 2006) ยกตัวอย่างเช่นช้าง
(2008) ได้เสนอกลยุทธ์การลงโทษที่เหมาะสมสำหรับพารามิเตอร์ทุกคนในการสั่งซื้อ
เพื่อเป็นแนวทางในกระบวนการค้นหา GA, ซึ่งจะใช้เป็นเครื่องมือค้นหาสำหรับ
การดำเนินงานอ่างเก็บน้ำน้ำท่วม; Hakimi-Asiabar et al, (2009) แสดงให้เห็นถึง
แนวคิดของกฎการเรียนรู้ของตนเองจัดแผนที่ (SOM) ซึ่งสามารถ
เรียนรู้และปรับปรุงประสิทธิภาพของขั้นตอนวิธีการประมวลผลข้อมูลที่มี
วัตถุประสงค์ของการปรับปรุงความหลากหลายทางพันธุกรรมนั้น . Hakimi-Asiabar, et al
(2010) การพัฒนาเรียนรู้ด้วยตนเองขั้นตอนวิธีพันธุกรรม (SLGA) รูปแบบและ
นำมาประยุกต์ใช้รูปแบบการให้ได้มาซึ่งนโยบายการดำเนินงานที่ดีที่สุดสำหรับ threeobjective ระบบหลายอ่างเก็บน้ำ Han et al, (2012) จ้างขั้นตอนวิธีพันธุกรรม selfadaptive กับครอสโอเวอร์ไบนารีจำลองการค้นหา
กฎปฏิบัติการอ่างเก็บน้ำที่เหมาะสม เมนบอร์ด GA ดูเหมือนว่าเหมาะอย่างยิ่ง
สำหรับการแก้ปัญหาการเพิ่มประสิทธิภาพหลายวัตถุประสงค์เพราะมันเกี่ยวข้อง
พร้อมกันกับชุดของการแก้ปัญหาที่เป็นไปได้ นี้จะช่วยให้
บัตรประจำตัวของสมาชิกหลายคนของชุด Pareto ที่ดีที่สุดในตัวเดียว
วิ่งในทางตรงกันข้ามกับเทคนิคการเขียนโปรแกรมทางคณิตศาสตร์แบบดั้งเดิม.
แม้ว่า GA มีประสิทธิภาพในการค้นหาสำหรับการแก้ปัญหาที่ดีที่สุดทั่วโลก
ก็ยังคงพบความยากลำบากในการจัดการกับข้อ จำกัด ที่ซับซ้อน.
หนึ่ง ความยากลำบากคือว่าเมื่อค้นหาได้ลดลงใกล้กับก่อนหน้านี้
ทางออกที่ดีที่สุด, ความหลากหลายในประชากรที่อาจจะไม่เพียงพอ
สำหรับการค้นหาที่จะออกมาและดำเนินการต่อที่เหมาะสมใหม่
แก้ปัญหา นอกจากนี้ความน่าจะเป็นของการเกิดการกลายพันธุ์อาจจะส่งผลกระทบต่อการแก้ปัญหาที่ดี ดังนั้นการปรับปรุงบางอย่างควร
จะดำเนินการที่จะได้รับการแก้ปัญหาที่ดีกว่า GA

ผลลัพธ์ (ไทย) 3:

ชุดของโครโมโซมจะเลือกเป็นพ่อแม่เริ่มต้นที่ทำซ้ำขั้นตอนบนพื้นฐานของฟิตเนส กระบวนการของการผสมพันธุ์จะดำเนินการผ่านการดำเนิน การกลายการเปลี่ยนแปลงโดยพลการของยีน ดำเนิน การ อนุรักษ์ความหลากหลายทางพันธุกรรมในประชากร ความน่าจะเป็นของการเกิดการกลายพันธุ์จะถูกเก็บไว้ต่ำ มันอาจจะทำให้ดีวิธีแก้ปัญหา ( เจียนและวัง , 2011 ) กระบวนการคัดเลือก Stochasticลำเอียงต่อช่างฟิต บุคคล ดำเนินการ เพื่อเลือกชุดใหม่ของประชากรในรุ่นต่อไป ที่สร้างขึ้นใหม่ประชากร คือ เพิ่มเติม ประเมินและทดสอบสำหรับการสิ้นสุด ถ้าเกณฑ์การยกเลิกไม่เจอ ประชากรซ้ำดำเนินการประเมินผลต่อไป โดยทั้งสามข้างต้น ผู้ประกอบการจนกว่าการยกเลิกเกณฑ์ที่ตั้งไว้จำนวนสูงสุดของรุ่นจะเจอ ( Ahmed และซาร์มา , 2005 ; และ vascan Raju , 2009 )เมื่อเร็วๆ นี้ กา ได้ถูกนำมาใช้เพื่อค้นหาการเพิ่มประสิทธิภาพ multiobjective ซึ่งมีข้อดีแตกต่างกันสามารถเพื่อจัดการกับปัญหาอื่น ๆหลายที่ไล่ระดับตาม optimizers ล้มเหลวเพื่อแก้ปัญหา ( Augusto et al . , 2006 ) ตัวอย่างเช่น ชาง( 2008 ) ได้เสนอกลยุทธ์ที่เหมาะสมสำหรับทุกพารามิเตอร์เพื่อลงโทษคู่มือกา กระบวนการค้นหา ซึ่งจะใช้เป็นเครื่องมือค้นหาสำหรับปฏิบัติการน้ำท่วมอ่างเก็บน้ำ ; hakimi asiabar et al . ( 2009 ) แสดงแนวคิดของการเรียนรู้กฎของตนเองการจัดแผนที่ ( SOM ) , ซึ่งสามารถเรียนรู้และปรับปรุงประสิทธิภาพของขั้นตอนวิธีการประมวลผลข้อมูลวัตถุประสงค์ของการเพิ่มความหลากหลายทางพันธุกรรม ; hakimi asiabar et al .( 2010 ) พัฒนาตนเองในการเรียนรู้ขั้นตอนวิธีเชิงพันธุกรรม ( slga ) รุ่นใช้รูปแบบการทำงานที่เหมาะสม เพื่อให้ได้มาซึ่งนโยบายสำหรับ threeobjective หลายระบบอ่างเก็บน้ำ ; Han et al . ( 2012 ) ใช้ selfadaptive ขั้นตอนวิธีทางพันธุกรรมกับการจำลองแบบไบนารีอ่างเก็บน้ำที่เหมาะสม กฎปฏิบัติ . เกมดูความเหมาะสมสำหรับการแก้ปัญหาการเพิ่มประสิทธิภาพหลายเพราะมันสุดพร้อมกันกับการตั้งค่าของการแก้ปัญหาที่เป็นไปได้ นี้จะช่วยให้รหัสของสมาชิกหลายคนของพาเรโตในชุดเดียวที่เหมาะสมวิ่งในทางตรงกันข้ามกับเทคนิคการเขียนโปรแกรมแบบเชิงคณิตศาสตร์แม้ว่าเกมจะมีประสิทธิภาพในการค้นหาทั่วโลกที่ดีที่สุดโซลูชั่นมันยังคงเผชิญความยากลำบากในการจัดการกับปัญหาที่ซับซ้อนปัญหาหนึ่งคือ เมื่อค้นหาได้ลดลงใกล้ปีก่อนโซลูชั่นที่เหมาะสม , ความหลากหลายในประชากรอาจจะไม่เพียงพอค้นหาออกมา แล้วก็เริ่มต่อใหม่ที่เหมาะสมโซลูชั่น นอกจากนี้ โอกาสเกิดการกลายพันธุ์ที่อาจขัดขวางการแก้ปัญหาที่ดี ดังนั้น การปรับปรุงบางอย่างควรจะดำเนินการเพื่อให้ได้ดีกว่า กา โซลูชั่น