6.3. Effectiveness of the proposed

6.3. Effectiveness of the proposed self-adaptive strategy
To verify the effectiveness of the proposed TS-based self-adaptive strategy, in this section, we conduct a detailed comparison of the two algorithms, i.e., the TABC algorithm with a TS-based self-adaptive strategy, hereafter denoted TABC, and the
TABC algorithm without the TS-based self-adaptive strategy, hereafter denoted TABCNA. It should be noted that TABCNA randomly chooses one of the neighborhood structures discussed in Section 4.1. The parameters of the two algorithms are the
same as those discussed in Section 6.2. To better estimate the performance of the two compared algorithms, a total of five
replications for each instance are carried out. Then, the RPI results, averaged across the five replications for each instance, are
reported in Table 3.
Table 3 contains four columns. The first column presents the instance name. The following column presents the scale of
the problem, where the two numbers correspond to the number of jobs and number of stages, respectively. The last two columns in the table present the average RPI values obtained by each compared algorithm. It can be observed from Table 3 that
TABC improves the average RPI value of TABCNA for 33 out of 36 instances and leads to an overall average RPI value equal to
0.26%, which is approximately four times lower than that of TABCNA. In addition, for solving the other two instances, i.e.,
‘‘Case6’’ and ‘‘Case31’’, the proposed TABC obtains the same RPI values as those obtained by TABCNA. However, TABC does
not surpass TABCNA for all of the instances and produces a slightly worse RPI value for ‘‘Case23’’. This result might due to
the instance favoring local exploitation, whereas TABC, with its enhanced strategies, stresses more exploration in the search

ผลลัพธ์ (ไทย) 1:

6.3. ประสิทธิผลของกลยุทธ์ self-adaptive เสนอเพื่อตรวจสอบประสิทธิภาพของการเสนอ TS self-adaptive กลยุทธ์ ในส่วนนี้ เราได้ทำการเปรียบเทียบรายละเอียดของสองอัลกอริทึม เช่น การ TABC อัลกอริทึม ด้วยเป็น TS self-adaptive กลยุทธ์ โดยสามารถบุ TABC และอัลกอริทึม TABC โดย TS self-adaptive กลยุทธ์ ปรโลกสามารถบุ TABCNA ก็ควรจดบันทึกว่า TABCNA สุ่มเลือกหนึ่งโครงสร้างบริเวณกล่าวถึงในหัวข้อ 4.1 พารามิเตอร์ของอัลกอริทึมทั้งสองเดียวกับที่กล่าวถึงในหัวข้อ 6.2 การประเมินประสิทธิภาพของทั้งสองดีขึ้น เปรียบเทียบอัลกอริทึม ทั้งหมด 5ระยะสำหรับแต่ละอินสแตนซ์ได้ดำเนิน มีผลลัพธ์ RPI, averaged ข้ามระยะ 5 สำหรับแต่ละอินสแตนซ์ แล้วรายงานในตาราง 3ตารางที่ 3 ประกอบด้วยสี่คอลัมน์ คอลัมน์แรกที่แสดงชื่ออินสแตนซ์ คอลัมน์ต่อไปนี้แสดงขนาดของปัญหา ที่หมายเลข 2 กับหมายเลขของงานและจำนวนขั้น ตามลำดับ ล่าสุดสองคอลัมน์ในตารางแสดงค่า RPI เฉลี่ยที่ได้รับ โดยแต่ละอัลกอริทึมเมื่อเทียบ สามารถตรวจสอบจากตาราง 3 ที่TABC ปรับปรุงค่าเฉลี่ยของ RPI ของ TABCNA อินสแตนซ์ 33 จาก 36 และนำ RPI ค่าเฉลี่ยโดยรวมเท่ากับ0.26% ประมาณสี่เท่าต่ำกว่าของ TABCNA นอกจากนี้ สำหรับการแก้ไขที่สองอินสแตนซ์อื่น ๆ เช่น‘‘Case6’’ and ‘‘Case31’’, the proposed TABC obtains the same RPI values as those obtained by TABCNA. However, TABC doesnot surpass TABCNA for all of the instances and produces a slightly worse RPI value for ‘‘Case23’’. This result might due tothe instance favoring local exploitation, whereas TABC, with its enhanced strategies, stresses more exploration in the search

ผลลัพธ์ (ไทย) 2:

6.3 ประสิทธิผลของกลยุทธ์การปรับตัวที่นำเสนอการตรวจสอบประสิทธิภาพของการเสนอ TS-ตามกลยุทธ์ของตัวเองปรับตัวในส่วนนี้เราดำเนินการเปรียบเทียบรายละเอียดของทั้งสองขั้นตอนวิธีการคือขั้นตอนวิธี TABC กับ TS-ตามการปรับตัวด้วยตนเอง กลยุทธ์ดังกล่าวต่อจากนี้ TABC และอัลกอริทึมTABC โดยไม่ต้อง TS-ตามกลยุทธ์ของตัวเองการปรับตัวดังกล่าวต่อจากนี้ TABCNA มันควรจะตั้งข้อสังเกตว่า TABCNA สุ่มเลือกหนึ่งในโครงสร้างพื้นที่ใกล้เคียงที่กล่าวไว้ในมาตรา 4.1 พารามิเตอร์ของทั้งสองขั้นตอนวิธีการเป็นเช่นเดียวกับที่กล่าวไว้ในมาตรา 6.2 ที่ดีกว่าการประเมินผลการดำเนินงานของทั้งสองขั้นตอนวิธีการเทียบเป็นจำนวนห้าซ้ำสำหรับแต่ละกรณีจะดำเนินการ จากนั้นผลการ RPI การเฉลี่ยทั่วทั้งห้าซ้ำสำหรับแต่ละกรณีมีการรายงานในตารางที่3 ตารางที่ 3 มีสี่เสา คอลัมน์แรกที่มีการจัดชื่ออินสแตนซ์ คอลัมน์นำเสนอต่อไปนี้ขนาดของปัญหาที่ทั้งสองตัวเลขที่สอดคล้องกับจำนวนของงานและจำนวนของขั้นตอนตามลำดับ สุดท้ายทั้งสองคอลัมน์ในตารางแสดงค่าเฉลี่ย RPI ที่ได้รับจากแต่ละขั้นตอนวิธีการเทียบ มันสามารถสังเกตได้จากตารางที่ 3 ที่TABC ช่วยเพิ่มค่าเฉลี่ยของ RPI TABCNA 33 จาก 36 กรณีและนำไปสู่ค่าเฉลี่ยโดยรวม RPI เท่ากับ0.26% ซึ่งจะอยู่ที่ประมาณสี่ครั้งต่ำกว่าของ TABCNA นอกจากนี้ในการแก้ปัญหาอีกสองกรณีคือ'' Case6 '' และ '' Case31 '' ที่ได้รับการเสนอ TABC ค่า RPI เช่นเดียวกับที่ได้รับจากการ TABCNA อย่างไรก็ตาม TABC ไม่ไม่เกินTABCNA สำหรับทุกกรณีและผลิต RPI ค่าเล็กน้อยเลวร้ายยิ่งสำหรับ '' Case23 '' ผลที่ได้นี้อาจเกิดจากกรณีการแสวงหาผลประโยชน์ในท้องถิ่นนิยมในขณะ TABC ด้วยกลยุทธ์การเพิ่มขึ้นของการสำรวจเน้นมากขึ้นในการค้นหา

ผลลัพธ์ (ไทย) 3:

6.3 . ประสิทธิผลของการนำเสนอ self-adaptive กลยุทธ์
เพื่อตรวจสอบประสิทธิผลของการนำเสนอกลยุทธ์ self-adaptive TS อยู่ในส่วนนี้ เราได้ทำการเปรียบเทียบรายละเอียดของทั้งสองแบบคือ tabc อัลกอริทึมกับ TS กลยุทธ์ self-adaptive ตามไปแทน tabc และ
tabc ขั้นตอนวิธีโดย TS ตามกลยุทธ์ self-adaptive tabcna ภายหลังแทน .มันควรจะสังเกตว่า tabcna สุ่มเลือกหนึ่งของละแวกโครงสร้างที่กล่าวถึงในส่วน 4.1 . พารามิเตอร์สองชุด
เช่นเดียวกับที่กล่าวในมาตรา ๖ . ดีกว่าประมาณการประสิทธิภาพของทั้งสองเปรียบเทียบขั้นตอนวิธี รวมห้า
ซ้ำสำหรับแต่ละอินสแตนซ์จะดําเนินการ จากนั้น , RPI ผลลัพธ์เฉลี่ยใน 5 ซ้ำสำหรับแต่ละอินสแตนซ์ มีรายงานในโต๊ะ
3
3 ตารางมี 4 คอลัมน์ คอลัมน์แรกแสดงชื่ออินสแตนซ์ คอลัมน์ต่อไปนี้แสดงมาตราส่วน
ปัญหาที่สองตัวเลขที่สอดคล้องกับจำนวนของงานและจำนวนขั้นตอน ตามลำดับช่วงสองคอลัมน์ในตารางปัจจุบันเฉลี่ยค่า RPI ได้โดยแต่ละเปรียบเทียบขั้นตอนวิธี จะสามารถสังเกตได้จากตารางที่ 3
tabc เพิ่มเฉลี่ยค่า RPI tabcna 33 ออกของอินสแตนซ์ 36 และนำไปสู่การโดยรวมเฉลี่ยเท่ากับ 0.26 RPI

% ซึ่งต่ำกว่าที่ของ tabcna ประมาณสี่ครั้ง นอกจากนี้ สำหรับการแก้ปัญหาอื่น ๆสองกรณีคือ
' 'case6 ' ' และ ' ' 'case31 ' ' , เสนอ tabc ได้รับค่า RPI เดียวกันเป็นผู้ที่ได้รับ tabcna . อย่างไรก็ตาม tabc ไม่
ไม่เกิน tabcna ทั้งหมดของอินสแตนซ์และผลิตแย่ลงเล็กน้อย 'case23 RPI คุณค่า ' ' ' ผลที่ได้นี้อาจเนื่องจาก
ตัวอย่างนิยมการเอารัดเอาเปรียบ ท้องถิ่น ส่วน tabc มีการปรับปรุงกลยุทธ์ เน้นการสำรวจเพิ่มเติมในการค้นหา