Given a specific problem to solve,

Given a specific problem to solve, the input to the GA is a set
of solutions to that problem, called genomes, and a metric called afitness function that returns a quantitative measure of the quality of a
genome. GA, through a series of iterations, called generations, tries to
improve the genomes through genetic operations such as crossover
and mutation. The main advantages of GA are that it does not require
gradient information and therefore it is capable of solving nonlinear
problems with multiple local optima. Further, GA has been demonstrated
to produce substantial improvement over random and local
search methods [11]. Since GA evolves its solutions over many iterations,
it tends to be computationally expensive. Yet, in comparison
with brute-force search, it is faster. In practice, it was found that
evolving 30 genomes over 100 generations yielded stable solutions

ผลลัพธ์ (ไทย) 1:

ได้รับการแก้ปัญหา อินพุตให้ GA เป็นชุดของวิธีการแก้ไขปัญหานั้น เรียกว่า genomes และการวัดที่เรียกว่า afitness ฟังก์ชันที่ส่งกลับค่าเกณฑ์วัดคุณภาพของการกลุ่ม GA ผ่านชุดของการเกิดซ้ำ ชื่อรุ่น พยายามปรับปรุง genomes ผ่านการดำเนินการทางพันธุกรรมเช่นไขว้และการกลายพันธุ์ ข้อดีหลักของ GA ว่า ไม่ต้องข้อมูลละเอียด และมันมีความสามารถในการแก้ไขไม่เชิงเส้นปัญหาเกี่ยวกับพติหลายท้องถิ่น เพิ่มเติม GA ได้ถูกสาธิตการปรับปรุงพบสุ่ม และท้องถิ่นค้นหาวิธีการ [11] เนื่องจาก GA วิวัฒนาการของโซลูชั่นผ่านการวนซ้ำมากมันมีแนวโน้มจะ computationally แพง ยัง ในการเปรียบเทียบบังคับการค้นหา ได้เร็วขึ้น ในทางปฏิบัติ พบว่าพัฒนา 30 genomes กว่า 100 รุ่นเต็มโซลูชั่นที่มีเสถียรภาพ

ผลลัพธ์ (ไทย) 2:

กำหนดปัญหาที่จะแก้ปัญหาการป้อนข้อมูลไปยัง GA
เป็นชุดของการแก้ปัญหาในการแก้ไขปัญหาที่เรียกว่าจีโนมและตัวชี้วัดที่เรียกว่าฟังก์ชั่นที่ส่งกลับafitness
มาตรการเชิงปริมาณของคุณภาพของการที่จีโนม GA, ผ่านชุดของการทำซ้ำที่เรียกว่าชั่วอายุคนพยายามที่จะปรับปรุงจีโนมผ่านการดำเนินงานทางพันธุกรรมเช่นครอสโอเวอร์และการกลายพันธุ์ ข้อดีหลักของจอร์เจียที่ว่ามันไม่จำเป็นต้องมีข้อมูลการไล่ระดับสีและดังนั้นจึงมีความสามารถในการแก้เชิงเส้นปัญหากับหลายๆ ที่ดีที่สุดของท้องถิ่น นอกจากนี้ GA ได้รับการพิสูจน์ในการผลิตการปรับปรุงที่สำคัญมากกว่าการสุ่มและท้องถิ่นวิธีการค้นหา[11] ตั้งแต่ GA วิวัฒนาการของมันมากกว่าการแก้ปัญหาการทำซ้ำหลาย ๆ คนก็มีแนวโน้มที่จะมีราคาแพงคอมพิวเตอร์ แต่เมื่อเทียบกับการค้นหาแรงเดรัจฉานก็จะเร็วขึ้น ในทางปฏิบัติพบว่าการพัฒนาจีโนม 30 กว่า 100 รุ่นให้ผลการแก้ปัญหาที่มีเสถียรภาพ

ผลลัพธ์ (ไทย) 3:

ระบุปัญหาเฉพาะเจาะจงในการแก้ปัญหา , การป้อนข้อมูลเพื่อเกมเป็นชุด
ของวิธีแก้ไขปัญหา ซึ่งเรียกว่า จีโนม และตัวชี้วัดที่เรียกว่า afitness ฟังก์ชันที่ส่งกลับวัดปริมาณคุณภาพของ
จีโนม . กา ผ่านชุดของการทำซ้ำ เรียกว่ารุ่น พยายามหา
ปรับปรุงผ่านการพันธุกรรม เช่นครอสโอเวอร์
และการกลายพันธุ์ .ประโยชน์หลักของเกมที่ไม่ต้องใช้
ข้อมูลการไล่ระดับสีและดังนั้นจึงมีความสามารถในการแก้โจทย์ปัญหาเชิง
กับ Optima ท้องถิ่นหลาย นอกจากนี้ กา ได้แสดงการปรับปรุงอย่างมาก
ผลิตมากกว่าแบบสุ่มและวิธีการค้นหาท้องถิ่น
[ 11 ] ตั้งแต่วิวัฒนาการของกาโซลูชั่นไปหลายรอบ
, มันมีแนวโน้มที่จะ computationally แพง แต่ในการเปรียบเทียบ
ด้วยกำลังค้นหา มันเร็วขึ้น ในการปฏิบัติงาน พบว่า ปี 30 หา
กว่า 100 รุ่น และมีโซลูชั่น