Experimental results on the full se

Experimental results on the full set of CEC 2005 benchmark
functions show that MultiEA outperforms i) Multialgorithm
Genetically Adaptive Method for Single-Objective Optimization
(AMALGAM-SO); ii) Population-based Algorithm Portfolio
(PAP); iii) a simple multiple algorithm approach which chooses
an algorithm randomly (RandEA).

ผลลัพธ์ (ไทย) 1:

ผลการทดลองชุดเต็มของ CEC 2005
ฟังก์ชั่นมาตรฐานแสดงให้เห็นว่ามีประสิทธิภาพดีกว่า multiea i)
multialgorithm วิธีการปรับตัวทางพันธุกรรมสำหรับการเพิ่มประสิทธิภาพวัตถุประสงค์เดียว
(รวมกันเพื่อ); ii) ประชากรตามผลงานของอัลกอริทึม
(PAP); iii) วิธีการหลายขั้นตอนวิธีง่ายๆที่เลือก
อัลกอริทึมแบบสุ่ม (randea)

ผลลัพธ์ (ไทย) 2:

ผลการทดลองชุดเต็มของเกณฑ์มาตรฐานพบกับ CEC 2005
ฟังก์ชันแสดงว่า MultiEA outperforms ฉัน) Multialgorithm
แปลงพันธุกรรมวิธีเหมาะสมสำหรับวัตถุประสงค์เดียว Optimization
(AMALGAM-SO) ii) ประชากรตามอัลกอริทึม Portfolio
(PAP) iii) เรียบง่ายหลายวิธีอัลกอริทึมที่เลือก
เป็นอัลกอริทึมแบบสุ่ม (RandEA)

ผลลัพธ์ (ไทย) 3:

ผลการทดลองในที่ตั้งของ CEC 2005
ซึ่งจะช่วยการวัด ประสิทธิภาพ การทำงานแสดงว่า multiea ดีกว่าผม) multialgorithm
ยีนแบบปรับได้สำหรับการปรับแต่ง single-objective
(อ้างว่ายังยึดมั่น - ดังนั้น); II )ประชากร - ใช้อัลกอริธึมกลุ่ม
( PAP ); III )ที่เรียบง่ายหลายวิธีการที่จะเลือกอัลกอริธึม
ซึ่งจะช่วยให้อัลกอริธึมแบบสุ่ม( randea )