engineering applications to find go

engineering applications to find good quality solutions for
challenging optimization problems. Famous examples include
Genetic Algorithm (GA), Evolutionary Strategy (ES),
Evolutionary Programming (EP), Particle Swarm Optimization
(PSO), Differential Evolution (DE), Ant Colony Optimization
(ACO), Artificial Immune System (AIS), Cultural Algorithm
(CA), Estimation of Distribution algorithm (EDA), Artificial Bee
Colony Algorithm (ABC), Biogeography-based Optimization
(BBO), and others [1].
In spite of the proliferation of algorithms that use the evolution
metaphor, for general users dealing with an optimization scenario,
there is little readily available guideline of which algorithm to
choose. Frequently, one resorts to words of mouth or fame of the
algorithm, or try it out one by one in an exhaustive manner. The
problem is compounded by the fact that individual algorithms will
need parameter tuning to obtain the best performance, which is
computationally expensive or even prohibitive [2]. The current
state of affairs motivates this paper.
Usually an algorithm has a standard recommended set of
parameters defined by the researchers. This set of parameters is
usually arrived at after many tests on benchmark functions and
practical applications. Thus for each algorithm, we use the
recommended set of parameters and do not attempt the
challenging problem of parameter tuning and control [2]. Instead,
we believe that the multiple algorithms can be complementary:
An algorithm which does not work well on one problem will be
replaced by an algorithm that works well for it. So the problem is
how to select algorithms.
Note also that the question of choice of algorithm should be a
function of the computational budget. For example, one algorithm
may converge fast to a shallow local optimum, another may
converge slower but to a deeper local optimum given enough
time, still another may converge the slowest but eventually reach
the global optimum. Which algorithm should one choose? If
fitness evaluations are expensive, then only a small computational
budget is allowed and the first one should be chosen. If fitness
evaluations are relatively inexpensive or we have a design
problem such that we can tolerate longer runs, then the second
algorithm should be chosen. Finally, if fitness evaluations are
cheap and we aim at solving a scientific problem of which finding
the global optimum is essential, then the third algorithm should be
chosen.
In this paper, an algorithm portfolio approach is advocated to
tackle the problem. Our conceptual framework is simple: (1) put
promising EAs together in a portfolio; (2) an initialization is
conducted in which each algorithm is run for some number of
generations until there is a change in fitness; (3) use a predictive
measure to predict the performance of each algorithm at the
nearest common future point; (4) select the algorithm which has

ผลลัพธ์ (ไทย) 1:

งานวิศวกรรมเพื่อหาโซลูชั่นที่มีคุณภาพที่ดีสำหรับการเพิ่มประสิทธิภาพ
ปัญหาที่ท้าทาย ตัวอย่างที่มีชื่อเสียงรวมถึง
ขั้นตอนวิธีพันธุกรรม (GA), กลยุทธ์วิวัฒนาการ (e),
วิวัฒนาการการเขียนโปรแกรม (EP), การเพิ่มประสิทธิภาพของอนุภาคฝูง
(PSO), วิวัฒนาการที่แตกต่างกัน (DE), การเพิ่มประสิทธิภาพของอาณานิคมมด
(ACO), ระบบภูมิคุ้มกันประดิษฐ์ (เอไอเอส ), อัลกอริทึมทางวัฒนธรรม
(CA), การประมาณค่าของขั้นตอนวิธีการกระจาย (EDA)ผึ้งเทียม
อัลกอริทึมอาณานิคม (ABC), วการเพิ่มประสิทธิภาพตาม
(BBO) และอื่น ๆ [1].
ทั้งๆที่มีการแพร่กระจายของอัลกอริทึมที่ใช้วิวัฒนาการ
อุปมาสำหรับผู้ใช้ทั่วไปในการรับมือกับสถานการณ์การเพิ่มประสิทธิภาพ,
มี เป็นแนวทางที่พร้อมใช้งานเล็ก ๆ น้อย ๆ ที่อัลกอริทึมในการเลือก
บ่อยรีสอร์ทหนึ่งคำจากปากหรือชื่อเสียงของขั้นตอนวิธี
,หรือพยายามออกหนึ่งโดยหนึ่งในลักษณะที่ครบถ้วนสมบูรณ์ ปัญหา
จะประกอบความจริงที่ว่าขั้นตอนวิธีการของแต่ละบุคคลจะต้อง
พารามิเตอร์การปรับแต่งเพื่อให้ได้ประสิทธิภาพที่ดีที่สุดซึ่งเป็น
คอมพิวเตอร์แพงหรือห้ามปรามแม้แต่ [2] รัฐ
ปัจจุบันของกิจการจูงใจกระดาษนี้.
มักจะมีขั้นตอนวิธีมาตรฐานแนะนำการตั้งค่าของพารามิเตอร์
ที่กำหนดโดยนักวิจัยชุดของพารามิเตอร์นี้
มาปกติจะอยู่ที่หลังจากการทดสอบหลายฟังก์ชั่นมาตรฐานและ
โปรแกรมประยุกต์ ดังนั้นสำหรับแต่ละวิธีที่เราใช้
แนะนำการตั้งค่าของพารามิเตอร์และไม่พยายามที่
ปัญหาที่ท้าทายของการปรับแต่งพารามิเตอร์ [2] และการควบคุม แทน
เราเชื่อว่าขั้นตอนวิธีการหลายคนสามารถจะเสริม:
อัลกอริทึมที่ไม่ได้ทำงานได้ดีบนปัญหาหนึ่งที่จะ
แทนที่ด้วยอัลกอริทึมที่ทำงานได้ดีสำหรับมัน ดังนั้นปัญหา
วิธีการเลือกอัลกอริทึม.
หมายเหตุยังว่าคำถามของทางเลือกของขั้นตอนวิธีที่ควรจะเป็นฟังก์ชั่น
ของงบประมาณการคำนวณ ตัวอย่างเช่น
อัลกอริทึมหนึ่งอาจมาบรรจบกันได้อย่างรวดเร็วเพื่อท้องถิ่นที่เหมาะสมตื้นอีก
อาจมาบรรจบกันช้าลง แต่ลึกที่เหมาะสมในประเทศมีเวลาเพียงพอ
ยังอีกอาจมาบรรจบกันที่ช้าที่สุด แต่ในที่สุดก็มาถึง
ที่เหมาะสมทั่วโลก ซึ่งอัลกอริทึมหนึ่งควรเลือก? ถ้า
การประเมินผลการออกกำลังกายที่มีราคาแพงแล้วเท่านั้นงบประมาณ
คอมพิวเตอร์ขนาดเล็กที่ได้รับอนุญาตและคนแรกที่ควรจะเลือก ถ้าการประเมินผลการออกกำลังกาย
ค่อนข้างแพงหรือเรามีการออกแบบ
ปัญหาดังกล่าวที่เราสามารถทนวิ่งอีกต่อไปแล้วสอง
อัลกอริทึมที่ควรจะเลือก สุดท้ายถ้าการประเมินผลการออกกำลังกาย
ถูกและเรามุ่งมั่นในการแก้ปัญหาทางวิทยาศาสตร์ที่หา
ทั่วโลกที่เหมาะสมเป็นสิ่งจำเป็นแล้วอัลกอริทึมที่สามควรจะได้รับการแต่งตั้ง
.
ในบทความนี้วิธีการผลงานที่เป็นกลไกสนับสนุนการจัดการ
ปัญหา กรอบความคิดของเราเป็นเรื่องง่ายที่: (1) ใส่
EAS สัญญาร่วมกันในผลงาน (2) การเริ่มต้นคือ
ดำเนินการในขั้นตอนวิธีการที่แต่ละคนจะใช้สำหรับจำนวนของรุ่น
บางส่วนจนกว่าจะมีการเปลี่ยนแปลงในการออกกำลังกาย (3) การใช้มาตรการ
ทำนายที่จะคาดการณ์ผลการดำเนินงานของแต่ละวิธีที่
จุดในอนาคตที่ใกล้ที่สุดร่วมกัน (4) การเลือกอัลกอริทึม ซึ่งมี

ผลลัพธ์ (ไทย) 2:

วิศวกรรมประยุกต์หาโซลูชั่นคุณภาพดีสำหรับ
ท้าทายปัญหาเพิ่มประสิทธิภาพ ตัวอย่างที่มีชื่อเสียงได้แก่
อัลกอริทึมทางพันธุกรรม (GA) วิวัฒนาการกลยุทธ์ (ES),
วิวัฒนาการเขียน (EP), อนุภาคฝูง Optimization
(PSO) วิวัฒนาการแตกต่าง (DE), Optimization
(ACO) อาณานิคมมด คุ้มประดิษฐ์ (AIS) Algorithm
(CA) วัฒนธรรม อัลกอริทึมการประเมินกระจาย (EDA), ผึ้งประดิษฐ์
อาณานิคมอัลกอริทึม (ABC), ตาม Biogeography Optimization
(BBO) และอื่น ๆ [1] .
แม้ว่าการขยายตัวของอัลกอริทึมที่ใช้วิวัฒนาการ
เทียบ สำหรับผู้ใช้ทั่วไปที่จัดการกับสถานการณ์การเพิ่มประสิทธิภาพ,
มีผลงานน้อยพร้อมของอัลกอริทึมที่จะ
เลือก บ่อย หนึ่งรีสอร์ทปากของคำหรือชื่อเสียงของ
อัลกอริทึม หรือลองทีละตัวอย่างหมดแรง ใน
ปัญหาจะเพิ่มตามความเป็นจริงที่แต่ละอัลกอริทึมจะ
ต้องปรับแต่งเพื่อให้ได้ประสิทธิภาพดีที่สุด ซึ่งเป็นพารามิเตอร์
computationally แพง หรือห้ามปรามแม้ [2] ปัจจุบัน
รัฐกิจการกระดาษนี้แรงบันดาลใจ
ปกติอัลกอริทึมมีมาตรฐานแนะนำชุด
พารามิเตอร์ที่กำหนด โดยนักวิจัย ชุดนี้ของพารามิเตอร์เป็น
มักจะเข้าที่หลังจากทดสอบหลายฟังก์ชันมาตรฐาน และ
ประยุกต์ใช้งานจริง ดังนั้น ในแต่ละอัลกอริทึม เราใช้
แนะนำชุดของพารามิเตอร์ และไม่พยายาม
ปัญหาท้าทายของการปรับแต่งพารามิเตอร์และควบคุม [2] แทน,
เราเชื่อว่า อัลกอริทึมหลายสามารถเสริม:
จะมีอัลกอริทึมที่ทำงานไม่ดีในปัญหาหนึ่ง
แทนที่ ด้วยขั้นตอนวิธีที่ดีสำหรับการทำงาน ดังนั้นปัญหา
วิธีเลือกอัลกอริทึมการ
โปรดสังเกตด้วยว่า ควรเป็นคำถามที่เลือกอัลกอริทึมการ
ฟังก์ชันของงบประมาณคำนวณ ขั้นตอนวิธีการหนึ่งเช่น
อาจมาบรรจบกันได้อย่างรวดเร็วให้เหมาะสมการจองตื้นถิ่น อื่นอาจ
มาบรรจบกันช้า แต่เหมาะสมภายในลึกให้พอ
เวลา ยังอีกอาจมาบรรจบกันที่ slowest แต่ในที่สุดถึง
เหมาะสมสากลได้ หนึ่งควรเลือกอัลกอริทึมใด ถ้า
ประเมินการออกกำลังกายที่มีราคาแพง ขนาดเล็กแล้วคำนวณ
งบประมาณได้ และควรเลือกคนแรก ถ้าออกกำลังกาย
ประเมินแพง หรือเรามีออกแบบ
ปัญหาที่เราสามารถทนทำงานอีกต่อไป แล้วที่สอง
ควรเลือกอัลกอริทึม สุดท้าย ถ้าออกกำลังกายประเมิน
ราคาประหยัด และเรามุ่งมั่นในการแก้ปัญหาทางวิทยาศาสตร์ของการค้นหา
เหมาะสมสากลเป็นสิ่งจำเป็น แล้วอัลกอริทึมที่สามควร
เลือก
ในกระดาษนี้ วิธีการผลงานอัลกอริทึมเป็น advocated การ
ภาวะปัญหา กรอบแนวคิดของเราคือง่าย: ย้าย (1)
สัญญา EAs กันในผลงาน (2) การเตรียมใช้งาน
ดำเนินขั้นตอนซึ่งแต่ละวิธีจะใช้งานสำหรับบางจำนวน
รุ่นจนกว่าจะมีการเปลี่ยนแปลงในการออกกำลังกาย (3) ใช้กับงาน
วัดเพื่อทำนายผลการดำเนินงานของแต่ละอัลกอริทึมในการ
ใกล้จุดในอนาคตทั่วไป (4) เลือกอัลกอริทึมที่มี

ผลลัพธ์ (ไทย) 3:

แอปพลิเคชัน
ทางด้านวิศวกรรมเพื่อค้นหาโซลูชันมี คุณภาพ ดีสำหรับปัญหาการปรับแต่ง
ท้าทาย. ตัวอย่างที่มีชื่อเสียงรวมถึง
ทางพันธุกรรมอัลกอริทึม(, GA )กลยุทธ์วิวัฒนาการ(สเปน)
วิวัฒนาการการตั้งโปรแกรม( EP )หรือกลุ่มการปรับแต่ง
( pso )ส่วนที่แตกต่างการ( de )มดอาณานิคมการปรับแต่ง
(โล่งอยู่ใกล้)เทียม ภูมิคุ้มกัน ระบบ(เอไอเอส)ทางวัฒนธรรมอัลกอริธึม
( CA )กำหนดราคาของอัลกอริธึมการกระจาย(ไคล้)เทียมผึ้ง
อาณานิคมอัลกอริธึม( ABC )ชีวโมเลกุล - ใช้การปรับแต่ง
( bbo )และอื่นๆ[ 1 ].
แม้จะมีการแพร่ขยายของอัลกอริธึมที่ใช้การอุปมาอุปมัย
ซึ่งจะช่วยให้ผู้ใช้โดยทั่วไปการจัดการกับเหตุการณ์จำลองการปรับแต่งที่
มีขนาดเล็กมีแนวทางของซึ่งอัลกอริธึมการ
ซึ่งจะช่วยเลือก คำถามที่หนึ่งในรีสอร์ทคำ of Fame หรือปาก
อัลกอริธึมที่หรือออกมาให้ทดลองใช้งานหนึ่งโดยหนึ่งในลักษณะแลกมาด้วยความเหนื่อยล้า
ปัญหาที่ยุ่งยากขึ้นเมื่อมีข้อเท็จจริงที่ว่าอัลกอริธึมแบบเฉพาะรายจะต้องกำหนดค่าพารามิเตอร์
ซึ่งจะช่วยการปรับแต่งเพื่อให้ได้รับ ประสิทธิภาพ ที่ดีเยี่ยมซึ่งมี
ต้องมีราคาแพงหรือแม้แต่ห้าม[ 2 ] ปัจจุบัน
ซึ่งจะช่วยรัฐในกิจการเพียบพร้อมกระดาษนี้.
โดยปกติจะมีอัลกอริทึมที่ตั้งค่าแนะนำให้ใช้มาตรฐานของ
พารามิเตอร์ที่กำหนดโดยนักวิจัยได้ตั้งค่าพารามิเตอร์นี้จะมาถึงที่หลังจากการทดสอบจำนวนมากในการวัด ประสิทธิภาพ การทำงานและ

โดยปกติแล้วแอปพลิเคชันใช้งานได้จริง ดังนั้นสำหรับอัลกอริธึมแต่ละครั้งเราใช้ตั้งค่าที่แนะนำ
ของพารามิเตอร์และไม่มีความพยายาม
ซึ่งจะช่วยแก้ปัญหาเรื่องที่ท้าทายความสามารถของการควบคุมและการหาคลื่นพารามิเตอร์[ 2 ] แทน
เราเชื่อว่าอัลกอริธึมหลายคนที่สามารถได้รับของสมนาคุณ:
อัลกอริธึมที่ซึ่งจะไม่สามารถทำงานได้เป็นอย่างดีในปัญหาหนึ่งจะได้รับตอบแทน
ถูกแทนที่ด้วยอัลกอริธึมที่ทำงานได้ดีสำหรับคุณ ดังนั้นปัญหาคือ
ซึ่งจะช่วยได้อย่างไรในการเลือกอัลกอริธึม.
หมายเหตุ:ด้วยว่าคำถามของทางเลือกของอัลกอริธึมควร
ซึ่งจะช่วยทำหน้าที่ในแบบจำกัดงบประมาณที่นวัตกรรม ตัวอย่างเช่น
ซึ่งจะช่วยอัลกอริธึมหนึ่งอาจจะมาบรรจบกันได้อย่างรวดเร็วในน้ำตื้นท้องถิ่นสูงสุดที่อาจ
อื่นมาบรรจบกันวิ่งช้าลงแต่จะยิ่งขึ้นในท้องถิ่นให้ดีที่สุดพอเวลาที่
ยังอาจมาบรรจบกันที่ช้าที่สุดแต่ในท้ายที่สุดก็จะเข้าถึงยัง
ระดับโลกที่ดีที่สุด อัลกอริธึมหนึ่งซึ่งควรเลือก หากการทดสอบใช้งาน
ฟิตเน็สเซ็นเตอร์มีราคาแพงก็จะใช้ได้เฉพาะที่มีงบประมาณจำกัดนวัตกรรม
ขนาดเล็กจะได้รับอนุญาตและคนแรกที่ควรเลือก หากฟิตเน็สเซ็นเตอร์
ซึ่งจะช่วยการทดสอบใช้งานมีราคาไม่แพงมีหรือเรามีการออกแบบ
ซึ่งจะช่วยแก้ปัญหาที่ทำให้เราสามารถทนวิ่งได้อีกต่อไปแล้วที่สอง
อัลกอริธึมควรจะได้รับการเลือกสรร ประการสุดท้ายหากการทดสอบใช้งานฟิตเน็สเซ็นเตอร์มี
ซึ่งจะช่วยประหยัดค่าใช้จ่ายและเรามีเป้าหมายที่จะแก้ไขปัญหาทางด้านวิทยาศาสตร์ซึ่งการค้นหา
ซึ่งจะช่วยให้โลกสูงสุดเป็นสิ่งจำเป็นและอัลกอริธึมที่สามควร
เลือก.
ในเอกสารนี้เข้ากลุ่มอัลกอริธึมที่กระตุ้นให้เกิดการมี
ซึ่งจะช่วยแก้ไขปัญหาได้ วางกรอบแนวคิดของเราเป็นแบบเรียบง่าย( 1 )ใส่
Surveillance , EAS ดาวรุ่งร่วมกันในกลุ่ม A ( 2 )การทำงานเป็น
อัลกอริธึมที่จัดให้บริการในแต่ละห้องได้รับการจำนวนบางส่วนของ
ซึ่งจะช่วยรุ่นจนกว่ามีการเปลี่ยนแปลงในฟิตเน็สเซ็นเตอร์( 3 )การใช้มาตรการระบบคาดเดา
ซึ่งจะช่วยในการทำนายว่า ประสิทธิภาพ ของอัลกอริธึมแต่ละห้องที่จุดในอนาคต
ซึ่งจะช่วยที่อยู่ใกล้ที่สุดโดยทั่วไป( 4 )เลือกอัลกอริธึมที่มี