In the three algorithms discussed a

In the three algorithms discussed above, one of the
key differences is in the mechanism to produce a new
population of solutions via perturbation of solutions
from the old population. These different mechanisms generate
a population of solutions with different balance
between intensification and diversification. This dynamic
behavior of the population can be deducted from
the basic perturbation method used in the creation of new
solutions. This section discusses the three algorithms
based on two aspects: intensification and diversification.
The discussion will be made algorithm by algorithm.
Suppose that the same solution representation is
used and the initial population is exactly the same. It
should be noted that all evolutionary algorithms may
require a decoding process and checking of constraints
to ensure that the solutions are feasible.
For GA, the solutions are ranked based on the fitness
values. The parents are selected based on probabilities
that favor individuals with better fitness. The crossover
operation produces offspring with parts taken from
the parents and the solutions are more likely to be similar
to the parents. Based on this observation, GA tends
to generate solutions that are more likely to cluster
around several “good” solutions in the population. The diversification aspect of GA is accomplished through
the mutation operation that injects some “difference”
into the solutions from time to time. The solution time of
GA also increases non-linearly as the population size
increases because of the required sorting.
For PSO, a new swarm of particles is generated via
the velocity and position update equations. This ensures
that all new particles can be much different than the old
ones. Also, since the mechanism is based on the floating
point arithmetic, it could generate any potential values
within the solution space, i.e., the density of the solutions
within the solution space may be much higher than
those generated via GA. In other words, the solutions
can be much closer to each other than solutions in GA.
In addition, the best particle in the swarm exerts its oneway
influence over all the remaining solutions in the
population. This often leads to premature clustering around
the best particle, especially if the fitness gaps are large.
Similar to PSO, since the mechanism to generate
new solutions of DE is also based on the floating point
arithmetic, the exploration ability of the population
might be comparable to PSO, but the diversification is
better because the best solution in the population does
not exert any influence on the other solutions in the
population. Furthermore, the mutant vector is always a
solution that is not from the original population; therefore,
the crossover operation in DE is always between a
solution from the population and a newly generated one.
For any evolutionary algorithm, the solutions are
gradually clustered around one or more “good” solutions
as the search evolves. This clustering can be seen as the
convergence of the population toward a particular solution.
If the population clusters very quickly, the population
may become stagnated and any further improvement
becomes less likely.

ผลลัพธ์ (ไทย) 1:

ในอัลกอริทึมทั้งสามกล่าวถึงข้างต้น หนึ่งความแตกต่างที่สำคัญอยู่ในกลไกการผลิตใหม่ประชากรของโซลูชั่นผ่าน perturbation โซลูชั่นจากประชากรเดิม สร้างกลไกเหล่านี้แตกต่างกันประชากรของโซลูชันที่มียอดดุลที่แตกต่างกันระหว่างแรงและวิสาหกิจ แบบนี้ลักษณะการทำงานของประชากรที่สามารถหักจากวิธีการ perturbation พื้นฐานที่ใช้ในการสร้างใหม่การแก้ไขปัญหา ส่วนนี้กล่าวถึงอัลกอริทึม 3ตามสองด้าน: แรงและวิสาหกิจการสนทนาจะทำอัลกอริทึม โดยอัลกอริทึมสมมติว่า นำเสนอแก้ปัญหาเดียวกันว่าใช้ และประชากรเริ่มต้นเป็นเหมือนกัน มันควรตั้งข้อสังเกตว่า กระบวนการวิวัฒนาการทั้งหมดอาจต้องมีกระบวนการถอดรหัส และตรวจสอบข้อจำกัดเพื่อให้แน่ใจว่า โซลูชั่นที่มีความเป็นไปได้สำหรับ GA โซลูชั่นมีการจัดอันดับตามการออกกำลังกายค่า ผู้ปกครองจะเลือกตามกิจกรรมที่ชอบบุคคลกับออกกำลังกายดีกว่า การไขว้ดำเนินการสร้างลูกหลานกับชิ้นส่วนที่นำมาจากผู้ปกครองและการแก้ไขปัญหามีแนวโน้มที่จะคล้ายกันให้ผู้ปกครอง จากการสังเกตนี้ GA มีแนวโน้มในการสร้างโซลูชั่นที่มีแนวโน้มการคลัสเตอร์รอบหลาย "ดี" การแก้ไขปัญหาในประชากร ด้านวิสาหกิจของ GA ลุล่วงการกลายพันธุ์ที่ injects บาง "แตกต่าง"ในการแก้ปัญหาเวลา เวลาการแก้ปัญหาของGA ยังเพิ่มขึ้นไม่ใช่เชิงเส้นเป็นขนาดประชากรเพิ่มขึ้นเนื่องจากต้องการเรียงลำดับPSO บินว่อนตัวใหม่ของอนุภาคมีสร้างทางความเร็วและตำแหน่งปรับปรุงสมการ ให้แน่ใจว่า อนุภาคทั้งหมดใหม่ได้มากเหมือนเก่าคน ยัง เนื่องจากกลไกที่อยู่ในน้ำจุดทางคณิตศาสตร์ มันสามารถสร้างค่าใด ๆ ที่อาจเกิดขึ้นภายในพื้นที่โซลูชั่น เช่น ความหนาแน่นของโซลูชั่นในการแก้ปัญหา พื้นที่อาจสูงกว่าผู้สร้าง GA. ในคำอื่น ๆ โซลูชั่นได้อย่างใกล้ชิดมากไปกว่าโซลูชั่นใน GA.นอกจากนี้ อนุภาคสุดในฝูง exerts oneway ของอิทธิพลการแก้ไขปัญหาที่คงเหลือทั้งหมดในการประชากร นี้มักจะนำไปสู่คลัสเตอร์ก่อนกำหนดรอบสุดอนุภาค โดยเฉพาะอย่างยิ่งถ้าช่องว่างออกกำลังกายขนาดใหญ่คล้ายกับ PSO ตั้งแต่กลไกเพื่อสร้างโซลูชั่นใหม่ของเดอยังยึดจุดลอยตัวคณิตศาสตร์ ความสามารถในการสำรวจประชากรอาจเทียบได้กับ PSO แต่วิสาหกิจที่เป็นดีขึ้นเนื่องจากการแก้ปัญหาที่ดีที่สุดในประชากรไม่ไม่สำแดงอิทธิพลใด ๆ ในการแก้ไขปัญหาอื่น ๆ ในการประชากร นอกจากนี้ เวกเตอร์กลายพันธุ์เป็นเสมอการโซลูชันที่ไม่ใช่จากประชากรเดิม ดังนั้นการไขว้ในเดออยู่เสมอระหว่างการโซลูชั่นจากประชากรและหนึ่งที่สร้างขึ้นใหม่สำหรับขั้นตอนวิธีการวิวัฒนาการ โซลูชั่นมีค่อย ๆ จับกลุ่มรอบ หนึ่งโซลูชั่น "ดี"เป็นการค้นหาอยู่เสมอ คลัสเตอร์นี้สามารถเห็นได้เป็นการบรรจบกันของประชากรต่อการแก้ปัญหาเฉพาะถ้าประชากรกลุ่มประชากรได้อย่างรวดเร็วอาจปรับปรุง stagnated และในอนาคตกลายเป็นแนวโน้มน้อยลง

ผลลัพธ์ (ไทย) 2:

ในช่วงสามขั้นตอนวิธีการที่กล่าวข้างต้นซึ่งเป็นหนึ่งในความแตกต่างที่สำคัญคือกลไกในการผลิตใหม่ของประชากรของการแก้ปัญหาผ่านการก่อกวนของการแก้ปัญหาจากประชากรเก่า กลไกที่แตกต่างกันเหล่านี้จะสร้างประชากรของการแก้ปัญหาที่แตกต่างกันที่มีความสมดุลระหว่างแรงและความหลากหลาย แบบไดนามิกนี้พฤติกรรมของประชากรที่สามารถหักออกจากวิธีการก่อกวนพื้นฐานที่ใช้ในการสร้างใหม่การแก้ปัญหา ในส่วนนี้จะกล่าวถึงสามขั้นตอนวิธีการขึ้นอยู่กับสองด้าน:. แรงขึ้นและการกระจายความเสี่ยงการอภิปรายจะต้องทำขั้นตอนวิธีโดยวิธี. สมมติว่าเป็นตัวแทนการแก้ปัญหาเดียวกันจะใช้และประชาชนครั้งแรกจะตรงเดียวกัน มันควรจะสังเกตว่าขั้นตอนวิธีวิวัฒนาการทั้งหมดอาจจะต้องมีขั้นตอนการถอดรหัสและการตรวจสอบของข้อจำกัดเพื่อให้แน่ใจว่าการแก้ปัญหาจะเป็นไปได้. สำหรับ GA, การแก้ปัญหาที่มีการจัดอันดับขึ้นอยู่กับการออกกำลังกายค่า พ่อแม่ผู้ปกครองที่ได้รับเลือกขึ้นอยู่กับความน่าจะเป็นที่โปรดปรานบุคคลที่มีการออกกำลังกายที่ดีขึ้น ครอสโอเวอร์ดำเนินการผลิตลูกหลานที่มีชิ้นส่วนที่นำมาจากพ่อแม่และการแก้ปัญหาที่มีแนวโน้มที่จะเป็นที่คล้ายกันในการปกครอง ขึ้นอยู่กับการสังเกตนี้ GA มีแนวโน้มในการสร้างโซลูชั่นที่มีแนวโน้มที่จะกระจุกรอบหลายโซลูชั่น"ดี" ในประชากร ด้านความหลากหลายของ GA สามารถทำได้โดยการดำเนินการกลายพันธุ์ที่บางอัดฉีด"ความแตกต่าง" ในการแก้ปัญหาจากเวลา เวลาแก้ปัญหาของGA ยังเพิ่มที่ไม่เป็นเส้นตรงเป็นขนาดของประชากรที่เพิ่มขึ้นเพราะต้องเรียงลำดับ. สำหรับ PSO, ฝูงใหม่ของอนุภาคที่ถูกสร้างขึ้นผ่านทางความเร็วและสมการปรับปรุงตำแหน่ง เพื่อให้แน่ใจว่าอนุภาคใหม่ทั้งหมดสามารถแตกต่างกันมากกว่าเก่าคน นอกจากนี้ตั้งแต่กลไกจะขึ้นอยู่กับลอยจุดคณิตศาสตร์ก็สามารถสร้างค่านิยมที่อาจเกิดขึ้นภายในพื้นที่การแก้ปัญหาคือความหนาแน่นของการแก้ปัญหาที่อยู่ภายในพื้นที่การแก้ปัญหาอาจจะสูงกว่าที่สร้างผ่านGA ในคำอื่น ๆ การแก้ปัญหาสามารถมากใกล้กันกว่าการแก้ปัญหาในGA. นอกจากนี้อนุภาคที่ดีที่สุดในฝูงออกแรงเที่ยวที่มีอิทธิพลเหนือทั้งหมดโซลูชั่นที่เหลืออยู่ในประชากร นี้มักจะนำไปสู่การจัดกลุ่มก่อนวัยอันควรรอบอนุภาคที่ดีที่สุดโดยเฉพาะอย่างยิ่งถ้าช่องว่างการออกกำลังกายที่มีขนาดใหญ่. คล้ายกับ PSO เนื่องจากกลไกในการสร้างโซลูชั่นใหม่ของDE ยังขึ้นอยู่กับจุดลอยเลขคณิตความสามารถในการตรวจสอบข้อเท็จจริงของประชากรที่อาจจะเทียบได้เพื่อ PSO แต่การกระจายการลงทุนเป็นดีกว่าเพราะการแก้ปัญหาที่ดีที่สุดในประชากรที่ไม่ได้ออกกำลังกายมีอิทธิพลต่อการแก้ปัญหาอื่นๆ ในประชากร นอกจากนี้เวกเตอร์กลายพันธุ์อยู่เสมอเป็นวิธีการแก้ปัญหาที่ไม่ได้มาจากประชากรเดิม; ดังนั้นการดำเนินการในครอสโอเวอร์ DE อยู่เสมอระหว่างการแก้ปัญหาจากประชากรและที่สร้างขึ้นใหม่อย่างใดอย่างหนึ่ง. สำหรับขั้นตอนวิธีวิวัฒนาการใด ๆ การแก้ปัญหาที่มีการกระจุกค่อยๆรอบหนึ่งหรือมากกว่านั้น"ดี" การแก้ปัญหาที่เป็นวิวัฒนาการการค้นหา การจัดกลุ่มนี้สามารถเห็นได้ในขณะที่การบรรจบกันของประชากรที่มีต่อการแก้ปัญหาโดยเฉพาะอย่างยิ่ง. ถ้ากลุ่มประชากรอย่างรวดเร็วประชากรที่อาจจะกลายเป็นการเมื่อยล้าและการปรับปรุงใด ๆ ต่อไปจะกลายเป็นโอกาสน้อย

ผลลัพธ์ (ไทย) 3:

ในงานวิจัยที่กล่าวถึงข้างต้น หนึ่งในความแตกต่างที่สำคัญคือ
ในกลไกการสร้างประชากรใหม่ของโซลูชั่นผ่านความยุ่งเหยิงของโซลูชั่น

จากประชากรเดิม กลไกต่าง ๆ เหล่านี้สร้างโซลูชั่นด้วย

จำนวนยอดที่แตกต่างกันระหว่างแรงและวิสาหกิจ พฤติกรรมแบบไดนามิกนี้
ของประชากรสามารถหักจาก
สมการพื้นฐาน วิธีการที่ใช้ในการสร้างโซลูชั่นใหม่

ส่วนนี้อธิบายถึงสามขั้นตอนวิธี
ขึ้นอยู่กับสองด้าน : แรงและวิสาหกิจ การสนทนาจะทำให้

ขั้นตอนโดยขั้นตอนวิธี คิดว่าการแสดงโซลูชั่นเดียวกัน
ใช้และประชากรเริ่มต้นเหมือนกัน มันควรจะสังเกตว่าคนแรกของหัวใจ คนสุดท้ายของชีวิต

ทั้งหมดอาจต้องใช้กระบวนการถอดรหัสและการตรวจสอบเพื่อให้แน่ใจว่าโซลูชั่นจำกัด

เป็นไปได้ สำหรับ GA , โซลูชั่นมีอันดับตามความเหมาะสม
ค่า พ่อแม่ถูกเลือกขึ้นอยู่กับความน่าจะเป็น
ที่โปรดปรานบุคคล ดีกว่าฟิตเนส ไขว้
ปฏิบัติการผลิตลูกหลานที่มีส่วนมาจาก
พ่อแม่และโซลูชั่นมีแนวโน้มที่จะคล้ายกัน
ถึงผู้ปกครองจากการสังเกตนี้ กามีแนวโน้ม
เพื่อสร้างโซลูชั่นที่มากกว่ากลุ่ม
รอบหลาย " โซลูชั่นที่ดี " ในประชากร การเปลี่ยนแปลงลักษณะของ GA ได้ผ่าน
การกลายพันธุ์การฉีดบาง " ความแตกต่าง "
เป็นโซลูชั่นจากเวลา แก้ปัญหาเวลา
GA ยังเพิ่มไม่เชิงเป็นขนาดประชากร
เพิ่มเพราะต้องเรียงลำดับ
สำหรับ PSO , จับกลุ่มใหม่ของอนุภาคที่สร้างขึ้นผ่าน
ความเร็วและตำแหน่งปรับปรุงสมการ นี้มั่นใจ
อนุภาคใหม่ทั้งหมดสามารถแตกต่างกันมากกว่าเดิม

นอกจากนี้ เนื่องจากกลไกตามลอย
จุดเลขคณิต มันสามารถสร้างศักยภาพในการแก้ปัญหาพื้นที่ค่า
.
ความหนาแน่นของโซลูชั่นในการแก้ปัญหาพื้นที่อาจจะสูงกว่า
ผู้ที่สร้างขึ้นผ่านทางโรงงาน ในคำอื่น ๆโซลูชั่น
สามารถใกล้ชิดกับแต่ละอื่น ๆ กว่าโซลูชั่นใน Ga
นอกจากนี้อนุภาคที่ดีที่สุดในฝูง exerts มีอิทธิพลเหนือของวันเวย์

ที่เหลือทั้งหมดโซลูชั่นในประชากร นี้มักจะนำไปสู่รอบก่อนแบ่งกลุ่ม
อนุภาคที่ดีที่สุดโดยเฉพาะอย่างยิ่งถ้าฟิตเนส
ช่องว่างขนาดใหญ่คล้ายคลึงกับระบบ เนื่องจากกลไกในการสร้างโซลูชั่นใหม่ของเดอยัง

ตามจุดลอย ) , การค้นหาความสามารถของประชากร
อาจจะเทียบเท่ากับระบบ แต่วิสาหกิจ
ดีกว่าเพราะทางออกที่ดีที่สุดในประชากรไม่
ไม่ออกแรงอิทธิพลใด ๆ ในการแก้ไขปัญหาอื่น ๆใน
ประชากร . นอกจากนี้ กลายพันธุ์เป็นเสมอ
เวกเตอร์โซลูชันที่ไม่ใช่จากประชากรเดิม ดังนั้น การดำเนินงานในเด

เสมอระหว่างโซลูชั่นจากประชากร และสร้างขึ้นใหม่ .
สำหรับวิวัฒนาการเส้นทางโซลูชั่นมี
ค่อยๆกระจุกรอบหนึ่งหรือมากกว่า " ดี " โซลูชั่น
เป็นการค้นหาวิวัฒนาการ กลุ่มนี้สามารถมองเห็นเป็น
การลู่เข้าของประชากรที่มีต่อการแก้ปัญหาโดยเฉพาะอย่างยิ่ง .
ถ้าประชากรกลุ่มอย่างรวดเร็ว ประชากรอาจจะหยุดนิ่งและ

ปรับปรุงใด ๆเพิ่มเติม กลายเป็นโอกาสน้อย