For the permutation-based represent

For the permutation-based representation, neighborhood structures such as insertion, swap and pairwise exchange are
commonly reported in the literature [31,38]. For the regular flow shop problem, the insertion neighborhood has been verified
to be more efficient than the pairwise exchange neighborhood [31,39]. For the HFS problem, the swap neighborhood has
been verified to be superior to the insertion and pairwise exchange neighborhoods. Moreover, the multi-swap neighborhood
has been verified to be efficient for solving real-world HFS problems [31], mainly because with a randomly selected number
of swaps, the multi-swap neighborhood can create a balance between the exploration and exploitation of the search. In addition, the inversion neighborhood is also a widely used neighborhood for permutation-based representations [38,39]. By
using the inversion neighborhood, a very different individual can be generated and therefore enhance the exploration ability
of the algorithm.
Because different neighborhoods play different roles in the search process, to balance the exploration and exploitation,
we embed the four neighborhood structures in the proposed algorithm, i.e., swap, insertion, multi-swap, and inversion,
which are hereafter denoted N1, N2, N3, and N4, respectively. Moreover, we propose a TS-based self-adaptive neighborhood
strategy to balance selection among the four neighborhood structures. The detailed steps of the TS-based self-adaptive
neighborhood strategy are as follows:

ผลลัพธ์ (ไทย) 1:

สำหรับแสดงการเรียงสับเปลี่ยน มีโครงสร้างใกล้เคียง เช่นแทรก สลับแลกเปลี่ยนแพร์ไวส์โดยทั่วไปรายงานในวรรณคดี [31,38] สำหรับปัญหาร้านกระแสปกติ ย่านแทรกถูกตรวจสอบจะมีประสิทธิภาพมากกว่าย่านแลกแพร์ไวส์ [31,39] สำหรับปัญหา HFS ย่านสลับได้การตรวจสอบให้จะแทรกและละแวกใกล้เคียงแลกแพร์ไวส์ นอกจากนี้ ย่านสลับหลายมีการตรวจสอบให้มีประสิทธิภาพสำหรับการแก้ปัญหา HFS จริง [31], เพราะมีการสุ่มเลือกของ swaps ย่านสลับหลายสามารถสร้างสมดุลระหว่างการสำรวจและแสวงหาประโยชน์จากการค้นหา นอกจากนี้ ย่านกลับได้ยังย่านที่ใช้กันอย่างแพร่หลายสำหรับการเรียงสับเปลี่ยนแทน [38,39] โดยใช้ย่านกลับ แต่ละคนแตกต่างกันมากสามารถสร้าง และเพิ่มความสามารถในการสำรวจดังนั้นของอัลกอริทึมการเพราะเที่ยวเล่นบทบาทที่แตกต่างกันในกระบวนการค้นหา ดุลการสำรวจและแสวงหาประโยชน์เราฝังโครงสร้างสี่ย่านในการนำเสนอขั้นตอนวิธี เช่น สลับ แทรก สลับหลาย และ กลับที่มีโดยสามารถบุ N1, N2, N3, N4 และตามลำดับว่า นอกจากนี้ เราเสนอตาม TS ย่าน self-adaptiveกลยุทธ์ดุลเลือกระหว่างโครงสร้างสี่ย่าน รายละเอียดขั้นตอนของการ TS-ตาม self-adaptiveย่านกลยุทธ์มีดังนี้:

ผลลัพธ์ (ไทย) 2:

สำหรับการแสดงการเปลี่ยนแปลงตามโครงสร้างพื้นที่ใกล้เคียงเช่นการแทรกการแลกเปลี่ยนและบริการแลกเปลี่ยนคู่มีการรายงานโดยทั่วไปในวรรณคดี [31,38]
สำหรับปัญหาการไหลปกติร้านค้าย่านแทรกได้รับการยืนยันที่จะมีประสิทธิภาพมากขึ้นกว่าที่ย่านการแลกเปลี่ยนคู่ [31,39]
สำหรับปัญหาที่เกิดขึ้น HFS
ย่านแลกเปลี่ยนได้รับการตรวจสอบจะดีกว่าที่จะแทรกและละแวกใกล้เคียงแลกเปลี่ยนคู่ นอกจากนี้ย่านหลายแลกเปลี่ยนได้รับการยืนยันที่จะมีประสิทธิภาพในการแก้ปัญหา HFS ที่แท้จริงของโลก [31] ส่วนใหญ่เป็นเพราะมีจำนวนการสุ่มเลือกของสัญญาแลกเปลี่ยน, ย่านหลายแลกเปลี่ยนสามารถสร้างความสมดุลระหว่างการสำรวจและการใช้ประโยชน์จากที่เป็น ค้นหา. นอกจากนี้พื้นที่ใกล้เคียงผกผันยังเป็นย่านที่ใช้กันอย่างแพร่หลายสำหรับการแสดงการเปลี่ยนแปลงตาม [38,39] โดยใช้พื้นที่ใกล้เคียงผกผัน, บุคคลที่แตกต่างกันมากก็จะสามารถสร้างและดังนั้นจึงเพิ่มความสามารถในการตรวจสอบข้อเท็จจริงของขั้นตอนวิธี. เพราะละแวกใกล้เคียงที่แตกต่างกันมีบทบาทที่แตกต่างกันในกระบวนการค้นหาเพื่อความสมดุลของการสำรวจและการแสวงหาผลประโยชน์ที่เราฝังโครงสร้างใกล้เคียงสี่ที่นำเสนอขั้นตอนวิธีการคือการแลกเปลี่ยนแทรกหลายแลกเปลี่ยนและผกผันซึ่งจะแสดงต่อจาก N1, N2, N3 และ N4 ตามลำดับ นอกจากนี้เรายังนำเสนอ TS-ตามพื้นที่ใกล้เคียงตัวเองปรับกลยุทธ์เพื่อความสมดุลของการเลือกในหมู่สี่โครงสร้างใกล้เคียง ขั้นตอนในรายละเอียดของ TS-ตนเองตามการปรับตัวกลยุทธ์พื้นที่ใกล้เคียงมีดังนี้

ผลลัพธ์ (ไทย) 3:

สำหรับการเปลี่ยนแปลงแทนตามละแวกโครงสร้าง เช่น การแลกเปลี่ยนและการแลกเปลี่ยนคู่เป็น
มักรายงานในวรรณคดี [ 31,38 ] สำหรับการไหลที่ร้านปกติปัญหาการแทรกละแวกถูกตรวจสอบ
จะมีประสิทธิภาพมากขึ้นกว่า [ ตราแถวคู่ 31,39 ] สำหรับ HFS ปัญหา สลับได้
ใกล้กับได้รับการยืนยันให้เหนือกว่าจุด และย่านแลกคู่ . นอกจากนี้ หลายแลกเปลี่ยนเพื่อนบ้าน
ได้รับการยืนยันที่จะมีประสิทธิภาพสำหรับการแก้ปัญหาโลกแห่งความจริง HFS ปัญหา [ 31 ] , ส่วนใหญ่เป็นเพราะ มีการสุ่มเลือกหมายเลข
แลกเปลี่ยน , แลกเปลี่ยนหลายชุมชนสามารถสร้างความสมดุลระหว่างการสำรวจและแสวงประโยชน์จากการค้นหา นอกจากนี้กลับกันเพื่อนบ้านยังใช้กันอย่างแพร่หลายเพื่อใช้เป็นตัวแทนการเปลี่ยนแปลงชุมชน [ 38,39 ] โดย
ใช้ชีวีเพื่อนบ้านแต่ละคนแตกต่างกันมากสามารถสร้างขึ้นและดังนั้นจึงเพิ่มประสิทธิภาพของขั้นตอนวิธีการสำรวจความสามารถ
.
เพราะย่านต่าง ๆเล่นบทบาทที่แตกต่างกันในกระบวนการค้นหา เพื่อความสมดุลในการสำรวจและการใช้ประโยชน์ ,
เราฝังสี่แถวโครงสร้างในหลักการที่เสนอ คือ มัลติ สลับแทรกสลับ และผกผัน
ซึ่งภายหลังทั้ง N1 , N2 , N3 , N4 , ตามลำดับ นอกจากนี้เราขอ TS self-adaptive ละแวก
กลยุทธ์เพื่อความสมดุลการเลือกระหว่างสี่แถวโครงสร้างตาม ขั้นตอนรายละเอียดของ TS ตามกลยุทธ์ย่าน self-adaptive
มีดังนี้