Typically, a set of evaluated genot

Typically, a set of evaluated genotypes and their real fitness
scores are used to perform the supervised training of
an MLP-based artificial neural network; e.g., [57]. However,
other approaches have been explored, e.g., Kriging [58],
clustering [55], support vector regression [59], radial-basis
functions [60], and sequential parameter optimization [61].
The surrogate model is subsequently used to compute estimated
fitness values for the EA to utilize. The model must be
periodically retrained with new individuals under a controlled
evolutionary approach to prevent convergence on local optima.
Retraining can be performed by taking either an individual or
generational approach [62]. In the individual approach, n number
of individuals in the population are chosen and evaluated
with the real fitness function each generation. In the generational
approach, the entire population is evaluated on the real
fitness function each n-th generation. Resampling methods and
surrogate model validation remain an important and ongoing
area of research, enabling the comparison and optimization of
models [63]. Both global modeling and local modeling using
trust regions (e.g., samples within a certain Euclidean distance)
are popular approaches

ผลลัพธ์ (ไทย) 1:

โดยปกติ ตั้งค่าศึกษาจีโนไทป์และความจริงใช้เพื่อดำเนินการฝึกอบรมมีคะแนนการ MLP ใช้โครงข่ายประสาทเทียม เช่น, [57] อย่างไรก็ตามมีการสำรวจวิธีอื่น ๆ เช่น Kriging [58],คลัสเตอร์ [55], สนับสนุนเวกเตอร์ถดถอย [59], รัศมีพื้นฐานฟังก์ชัน [60], และปรับค่าพารามิเตอร์ตามลำดับ [61]แบบตัวแทนมาใช้ในการคำนวณโดยประมาณค่าฟิตเนสสำหรับ EA ใช้ แบบต้องretrained เป็นระยะ ๆ กับบุคคลใหม่ภายใต้การควบคุมวิธีวิวัฒนาการให้บรรจบกันบนพติท้องถิ่นRetraining สามารถกระทำได้ โดยมีบุคคลใด หรือคำวิธี [62] ในแต่ละวิธี หมายเลข nของบุคคลในประชากรที่จะเลือก และประเมินที่ออกกำลังกายจริงแต่ละรุ่น ในการคำวิธี ประชากรทั้งหมดจะถูกประเมินในจริงออกกำลังกายฟังก์ชันแต่ละรุ่น n th เปลี่ยนความละเอียดของวิธีการ และตรวจสอบรูปแบบตัวแทนยังคงสำคัญ และต่อเนื่องพื้นที่ของการวิจัย การเปิดใช้งานการเปรียบเทียบและเพิ่มประสิทธิภาพของรุ่น [63] สร้างแบบจำลองสากลและสร้างโมเดลเครื่องใช้ภูมิภาคแทน (เช่น ตัวอย่างภายในตัวบางแบบยุคลิด)เป็นวิธีที่นิยม

ผลลัพธ์ (ไทย) 2:

โดยปกติแล้วชุดของยีนที่ได้รับการประเมินและการออกกำลังกายของพวกเขาจริงคะแนนจะถูกใช้ในการดำเนินการฝึกอบรมภายใต้การดูแลของเครือข่ายประสาทเทียมMLP ตาม; เช่น [57] แต่วิธีการอื่น ๆ ได้รับการสำรวจเช่น Kriging [58] การจัดกลุ่ม [55] การสนับสนุนการถดถอยเวกเตอร์ [59] ลำดับรัศมีฟังก์ชั่น[60] และการเพิ่มประสิทธิภาพพารามิเตอร์ตามลำดับ [61]. รูปแบบตัวแทนถูกนำมาใช้ต่อมา คำนวณประมาณค่าการออกกำลังกายสำหรับอีเอที่จะใช้ รูปแบบที่จะต้องได้รับการฝึกอบรมเป็นระยะ ๆ กับบุคคลใหม่ภายใต้การควบคุมวิธีการวิวัฒนาการเพื่อป้องกันไม่ให้บรรจบกันในที่ดีที่สุดของท้องถิ่น. สั่งสอนขึ้นใหม่สามารถดำเนินการได้โดยการใช้บุคคลหรือวิธี generational [62] ในวิธีการของแต่ละบุคคลจำนวน n ของบุคคลในประชากรที่ได้รับการแต่งตั้งและประเมินผลที่มีฟังก์ชั่นการออกกำลังกายที่แท้จริงแต่ละรุ่น ใน generational วิธีประชากรทั้งหมดได้รับการประเมินในตัวจริงฟังก์ชั่นการออกกำลังกายแต่ละรุ่น n-ครั้ง วิธีการ resampling และการตรวจสอบรูปแบบตัวแทนยังคงเป็นสิ่งที่สำคัญอย่างต่อเนื่องและพื้นที่ของการวิจัยที่ช่วยให้การเปรียบเทียบและการเพิ่มประสิทธิภาพของรุ่น[63] ทั้งการสร้างแบบจำลองการสร้างแบบจำลองระดับโลกและท้องถิ่นโดยใช้ภูมิภาคความไว้วางใจ (เช่นตัวอย่างภายในระยะทางยุคลิดหนึ่ง) เป็นวิธีการที่เป็นที่นิยม

ผลลัพธ์ (ไทย) 3:

โดยปกติแล้วชุดของการประเมินพันธุ์และคะแนนจริงฟิตเนส
ของพวกเขาจะใช้ในการดูแลการใช้โครงข่ายประสาทเทียมแบบ MLP
; เช่น [ 57 ] อย่างไรก็ตาม
วิธีการอื่น ๆได้รับการสํารวจ เช่น คริกกิ้ง [ 58 ] ,
การจัดกลุ่ม [ 55 ] [ 59 ] การสนับสนุนเวกเตอร์รัศมีการทำงานพื้นฐาน
[ 60 ] [ พารามิเตอร์และการเพิ่มประสิทธิภาพลำดับ 61 ] .
รูปแบบตัวแทน คือ โดยการใช้ค่าฟิตเนสประมาณ
ค่า EA เพื่อใช้ นางแบบต้อง
เป็นระยะ ๆ ฝึกอบรมกับใหม่บุคคลภายใต้การควบคุมวิธีการป้องกันลู่เกี่ยวกับวิวัฒนาการ

ซ้ำ Optima ท้องถิ่น สามารถดำเนินการโดยการให้บุคคลหรือ
วิธีการทั่วไป [ 62 ] ในแนวทางของแต่ละหมายเลข n
ของบุคคลในประชากรจะถูกเลือกและประเมิน
กับฟังก์ชันจริงฟิตเนสแต่ละรุ่น ในวิธีการทั่วไป
, ประชากรทั้งหมดจะถูกประเมินในการทำงาน
ฟิตจริงแต่ละ n-th รุ่น วิธีการและรูปแบบการสุ่มซ้ำ
เป็นตัวแทนที่สำคัญและอยู่ในพื้นที่ของการวิจัยอย่างต่อเนื่อง
ให้เปรียบเทียบและการเพิ่มประสิทธิภาพของแบบจำลอง
[ 63 ]ทั้งส่วนกลางและท้องถิ่น โดยใช้แบบจำลองแบบจำลอง
ภูมิภาคเชื่อ ( เช่นตัวอย่างภายในใช้ระยะทางแน่นอน )
เป็นวิธียอดนิยม