Genetic algorithm (GA) [30] is in t

Genetic algorithm (GA) [30] is in the field of evolutionary algorithms. The idea of GA is inspired by the survival of the fittest theory proposed by Charles Darwin. GAs are searching algorithms based on the mechanics of natural selection and natural genetics [31]. GA normally starts with a randomly initialized population, which consists of artificial creatures named chromosomes. Based on their fitness values, some of them are selected in pairs as parents and granted the opportunities to produce offspring by means of crossover operators. Subsequently, some chromosomes are randomly selected for mutation, which means their genes are to be varied. The chromosomes in the next generation are expected to perform better and the process goes on iteratively until any termination criterion is met. Although randomized, GA is not a random walk. It efficiently exploits historical information to speculate on new search points with expected improvements [31]. Because rough set theory only applies to categorical values, discretization of the training data set is required. GA is employed by our proposed model to search for optimal or at least satisfactory suboptimal separation boundaries in every input dimension. Different strategies that can be applied to each step of GA is not covered in this paper. However, all strategies applied to our proposed model is introduced with details in the following section.

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมทางพันธุกรรม (GA) [30] ใน field ของอัลกอริทึมที่วิวัฒนาการได้ ความอยู่รอดของทฤษฎี fittest ซึ่งเสนอ โดยชาลส์ดาร์วินได้รับอิทธิพลความคิดของ GA ก๊าซกำลังค้นหาอัลกอริทึมตามรายละเอียดของการคัดเลือกโดยธรรมชาติและธรรมชาติพันธุศาสตร์ [31] ปกติ GA เริ่ม มีประชากรสุ่มเริ่ม ซึ่งประกอบด้วยสิ่งมีชีวิต artificial ชื่อ chromosomes ตามค่า fitness บางส่วนของพวกเขาจะเลือกคู่เป็นพ่อแม่ และได้รับโอกาสในการผลิตลูกหลานโดยใช้ตัวดำเนินการแบบไขว้ ในเวลาต่อมา chromosomes บางจะสุ่มเลือกสำหรับการกลายพันธุ์ ซึ่งหมายความว่า ยีนของพวกเขาจะแตกต่างกัน Chromosomes ในรุ่นต่อไปคาดว่าจะทำงานดีขึ้น และการไปซ้ำ ๆ จนกว่าเงื่อนไขการเลิกจ้างเป็นไปตาม แม้ว่า randomized, GA ได้เดินสุ่ม มัน efficiently นำข้อมูลประวัติเก็งคะแนนค้นหาใหม่ด้วยการปรับปรุงที่คาดไว้ [31] เนื่องจากทฤษฎีเซตหยาบจะใช้ค่าแตก discretization ของชุดข้อมูลการฝึกอบรมจะต้อง GA เป็นลูกจ้างตามรุ่นของเรานำเสนอเพื่อหาขอบเขตแยกสภาพดี หรือพอใจน้อยในทุกมิติที่ป้อนเข้า กลยุทธ์ต่าง ๆ ที่สามารถนำไปใช้กับแต่ละขั้นตอนของ GA ไม่ได้ครอบคลุมในเอกสารนี้ อย่างไรก็ตาม กลยุทธ์ทั้งหมดที่ใช้กับรุ่นของเราเสนอการแนะนำรายละเอียดในส่วนต่อไปนี้

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีทางพันธุกรรม (GA) [30] อยู่ใน ELD สายของขั้นตอนวิธีวิวัฒนาการ ความคิดของ GA เป็นแรงบันดาลใจความอยู่รอดของสาย ttest ทฤษฎีที่เสนอโดยชาร์ลส์ดาร์วิน GAs กำลังค้นหาขั้นตอนวิธีการขึ้นอยู่กับกลไกการคัดเลือกโดยธรรมชาติและพันธุศาสตร์ธรรมชาติ [3​​1] GA ปกติเริ่มต้นด้วยการเริ่มต้นการสุ่มประชากรซึ่งประกอบด้วยสิ่งมีชีวิตสาย Arti ชื่อทางการโครโมโซม ขึ้นอยู่กับค่า tness สายของพวกเขาบางส่วนของพวกเขาได้รับการคัดเลือกเป็นคู่กับผู้ปกครองและได้รับโอกาสในการผลิตลูกหลานโดยวิธีการของผู้ประกอบการครอสโอเวอร์ ต่อจากนั้นโครโมโซมบางอย่างจะสุ่มเลือกสำหรับการกลายพันธุ์ซึ่งหมายความว่ายีนที่จะแตกต่างกัน โครโมโซมในรุ่นต่อไปที่คาดว่าจะทำงานได้ดีขึ้นและขั้นตอนการไปซ้ำจนกว่าจะเลิกเกณฑ์ใด ๆ ที่จะพบ แม้ว่าสุ่มจอร์เจียไม่ได้เป็นเดินสุ่ม มันอย่างมีประสิทธิภาพสาย EF ใช้ประโยชน์จากข้อมูลทางประวัติศาสตร์ที่จะคาดเดาจุดค้นหาใหม่มีการปรับปรุงคาดว่า [31] เพราะการตั้งทฤษฎีหยาบจะใช้กับค่าเด็ดขาดต่อเนื่องของชุดข้อมูลการฝึกอบรมจะต้อง GA เป็นลูกจ้างโดยการนำเสนอรูปแบบของเราในการค้นหาที่ดีที่สุดหรืออย่างน้อยที่น่าพอใจขอบเขตแยกก่อให้เกิดผลลัพธ์ในการป้อนข้อมูลทุกมิติ กลยุทธ์ที่แตกต่างที่สามารถนำไปใช้ในขั้นตอนของ GA แต่ละคนจะไม่ครอบคลุมในบทความนี้ อย่างไรก็ตามกลยุทธ์ทั้งหมดนำไปใช้ในการนำเสนอรูปแบบของเราเป็นที่รู้จักโดยมีรายละเอียดในส่วนต่อไป

ผลลัพธ์ (ไทย) 3:

ขั้นตอนวิธีเชิงพันธุกรรม ( GA ) [ 30 ] อยู่ละมั่ง จึงของขั้นตอนวิธีวิวัฒนาการ ความคิดของแรงบันดาลใจจากการอยู่รอดของกาจึงสถิติทฤษฎีที่เสนอโดย ชาร์ลส์ ดาร์วิน ก๊าซเป็นขั้นตอนวิธีการค้นหาที่ยึดกลไกของการคัดเลือกโดยธรรมชาติและพันธุศาสตร์ธรรมชาติ [ 31 ] โดยปกติจะเริ่มด้วยกาสุ่มเริ่มต้น ประชากร ซึ่งประกอบด้วย กิจึง่สิ่งมีชีวิตที่ชื่อ โครโมโซมจึง tness ขึ้นอยู่กับค่าของพวกเขา บางส่วนของพวกเขาจะถูกเลือกในคู่เป็นพ่อแม่ และได้รับโอกาสที่จะผลิตลูกหลานโดยวิธีการของผู้ประกอบการแบบไขว้ ต่อมา บางคู่มีการสุ่มเลือกสำหรับการกลายพันธุ์ ซึ่งหมายถึง ยีนของพวกเขาจะแตกต่างกันโครโมโซม ในรุ่นถัดไปที่คาดว่าจะแสดงได้ดี และขั้นตอนการไปซ้ำจนกว่าสิ้นสุดเกณฑ์จะพบ แม้ว่าโดย GA ไม่เดินสุ่ม มันจึง ciently EF ใช้ข้อมูลทางประวัติศาสตร์ที่จะคาดเดาจุดการค้นหาใหม่คาดว่าการปรับปรุง [ 31 ] เพราะทฤษฎีรัฟเซตใช้เฉพาะค่าคำขาดค่าของการฝึกอบรมชุดข้อมูลเป็นสิ่งจำเป็น กาเป็นลูกจ้างโดยแบบจำลองเพื่อค้นหาที่ดีที่สุด หรืออย่างน้อยก็น่าพอใจ suboptimal แยกขอบเขตทุกเข้ามิติ กลยุทธ์ที่แตกต่างกันที่สามารถใช้กับแต่ละขั้นตอนของกาที่ไม่ครอบคลุมในบทความนี้ อย่างไรก็ตาม การใช้แบบจำลองของเราเป็นที่รู้จัก มีรายละเอียดในส่วนต่อไปนี้