3. Numerical Implementation For eac

3. Numerical Implementation
For each test MOP, E-NSGA-II performs 10 runs with different seeds to observe the
consistency of the outcome. The mean value of the measures reveals the average
evolutionary performance of E-NSGA-II and represents the optimization results in
comparison with other algorisms. The variance of the best solutions in 10 runs indicates the
consistency of an algorithm. E-NSGA-II is implemented by MATLAB.
3.1 Performance Measures
Different performance measures for evaluating efficiency have been suggested in literature
(Okabe et al., 2003). For comparison purpose, this study applies two metrics: 1) the
convergence metric (Υ): approximating the average distance to the Pareto-optimal front; and
2) the diversity metric (Δ): measuring the extent of spread achieved among the obtained
solutions (Deb, 2001).
For the convergence metric (Υ), a smaller metric value implies a better convergence toward
the Pareto-optimal front. This study uses 500 uniformly spaced solutions to approximate the
true Pareto-optimal. To measure the distance between the obtained non-dominated front (Q)
and the set of Pareto-optimal solutions (P*), this study computes the minimum Euclidean
distance of each solution from 500 chosen points on the Pareto-optimal front by Equation (8).
The average of these distances is used as the convergence metric as Equation (9).

ผลลัพธ์ (ไทย) 1:

3
ตัวเลขสำหรับการดำเนินงานซับแต่ละการทดสอบ e-nsga-II ดำเนินการ 10 วิ่งมีเมล็ดที่แตกต่างกันที่จะสังเกตเห็นความสอดคล้อง
ของผล ค่าเฉลี่ยของมาตรการที่เผยให้เห็นถึงผลการดำเนินงานเฉลี่ย
วิวัฒนาการของ e-nsga-II และแสดงผลลัพธ์การเพิ่มประสิทธิภาพในการเปรียบเทียบกับ
algorisms อื่น ๆ ความแปรปรวนของการแก้ปัญหาที่ดีที่สุดใน 10 วิ่งบ่งชี้ความสอดคล้อง
จากอัลกอริทึมe-nsga-II ดำเนินการโดย MATLAB.
3.1 มาตรการประสิทธิภาพมาตรการประสิทธิภาพการทำงานที่แตกต่างกัน
สำหรับการประเมินประสิทธิภาพได้รับการแนะนำในวรรณคดี
(Okabe et al., 2003) เพื่อจุดประสงค์ในการเปรียบเทียบการศึกษาครั้งนี้ใช้สองตัวชี้วัด: 1) บรรจบ
เมตริก (Υ): ประมาณระยะทางเฉลี่ยที่ด้านหน้า Pareto เหมาะสมและ
2) ความหลากหลายของตัวชี้วัด (Δ):การวัดขอบเขตของการแพร่กระจายที่ประสบความสำเร็จในหมู่ผู้ที่ได้รับ
โซลูชั่น (Deb, 2001)
สำหรับการบรรจบกันของตัวชี้วัด (Υ), ค่าตัวชี้วัดที่มีขนาดเล็กหมายถึงการบรรจบกันดีกว่า
ไปด้านหน้า Pareto เหมาะสม การศึกษาครั้งนี้ใช้ 500 โซลูชั่นระยะห่างกันประมาณ
จริง Pareto เหมาะสม การวัดระยะห่างระหว่างหน้าไม่โดดเด่นที่ได้รับ (q)
และชุดของการแก้ปัญหาที่ดีที่สุดพาเรโต้ (p *) การศึกษานี้คำนวณระยะทางขั้นต่ำ
euclidean ของการแก้ปัญหาแต่ละคนจาก 500 จุดได้รับการแต่งตั้งด้านหน้า Pareto เหมาะสมโดยสมการ (8)
เฉลี่ยของระยะทางเหล่านี้จะถูกใช้เป็นตัวชี้วัดการบรรจบกันเป็นสมการ (9)

ผลลัพธ์ (ไทย) 2:

3. ใช้งานตัวเลข
การ MOP, E NSGA II ดำเนินการรัน 10 กับเมล็ดพืชอื่น ๆ สังเกต
ความสอดคล้องของผลการ ค่าเฉลี่ยพบว่า ค่าเฉลี่ยการวัด
ประสิทธิภาพวิวัฒนาการของ E NSGA II และแสดงผลปรับ
เปรียบเทียบกับ algorisms อื่น ๆ บ่งชี้ความแปรปรวนของโซลูชั่นดีที่สุดในการทำงาน 10
ความสอดคล้องของขั้นตอนวิธีการ E NSGA II จะดำเนินการ โดย MATLAB.
3.1 วัด
มีการแนะนำวัดต่าง ๆ ในการประเมินประสิทธิภาพในวรรณคดี
(Okabe et al., 2003) วัตถุประสงค์เปรียบเทียบ การศึกษานี้ใช้การวัดสอง: 1)
วัดบรรจบกัน (Υ): ระหว่างระยะห่างเฉลี่ยหน้า Pareto เหมาะสม และ
2) วัดความหลากหลาย (δยอด): วัดขอบเขตการแพร่กระจายที่ประสบความสำเร็จในการได้รับ
โซลูชั่น (Deb, 2001)
สำหรับวัดบรรจบกัน (Υ), วัดค่าขนาดเล็กหมายถึงบรรจบกันดีกว่าไป
หน้า Pareto เหมาะสม การศึกษานี้ใช้วิธี 500 ลที่สม่ำเสมอเมื่อเทียบเคียงเพื่อประมาณการ
จริง Pareto เหมาะสม วัดระยะห่างระหว่างได้รับครอบงำไม่ใช่หน้า (Q)
และชุดของ Pareto สุดโซลูชั่น (P *), การศึกษานี้จะคำนวณ Euclidean
ระยะห่างของแต่ละโซลูชั่นจาก 500 คะแนนท่าน Pareto สุดริมโดยสมการ (8)
ค่าเฉลี่ยระยะทางเหล่านี้จะใช้เป็นการวัดบรรจบกันเป็นสมการ (9)

ผลลัพธ์ (ไทย) 3:

3 . เป็นตัวเลขการนำไปใช้งาน
สำหรับการทดสอบซับแต่ละห้อง e - nsga - II จะทำ 10 จะทำงานร่วมกับเมล็ดพันธุ์ที่แตกต่างในการสำรวจ
ความสอดคล้องของผลลัพธ์ที่ได้ มอบความคุ้มค่าของมาตรการที่เปิดเผยโดยเฉลี่ย
ประสิทธิภาพ เหนือกว่าของ E - nsga - II และแสดงผลการปรับแต่งใน
การเปรียบเทียบกับ algorisms อื่นๆ ความแตกต่างของโซลูชันที่ดีที่สุดใน 10 ทำงานแสดงว่า
ความสอดคล้องกันของอัลกอริธึมE - nsga - II มีการนำมาใช้โดย matlab .
3.1 วัด ประสิทธิภาพ
วัด ประสิทธิภาพ ที่แตกต่างสำหรับ ประสิทธิภาพ การประเมินได้รับการตอบกลับในงานวรรณกรรม
( okabe et al . 2003 ) สำหรับวัตถุประสงค์การเปรียบเทียบการศึกษานี้ใช้ได้ทั้งสองวัด 1 )
ผู้นำชีวิต Convergence Lifestyle ระบบเมตริก(υ)ของประเทศหรืออะไรทำนองนี้ระยะทางโดยเฉลี่ยในทางด้านหน้า pareto - ได้ผลดีที่สุดและ
2 )ความหลากหลายที่ระบบเมตริก(Δ)การวัดระดับการกระจายความสำเร็จท่ามกลางได้รับ
โซลูชัน(หญิงเริ่มเป็นสาว 2001 )
ของการทำงานร่วมกันที่ระบบเมตริก(υ)ค่าระบบเมตริกมีขนาดเล็กกว่าที่หมายถึงการผสมผสานได้ดียิ่งขึ้นไปทาง
ที่ pareto - ดีที่สุดทางด้านหน้า การศึกษานี้จะใช้โซลูชันมีระยะ 500 รูปแบบเดียวกันกับเวลาโดยประมาณ
จริง pareto - ดีที่สุด ในการวัดระยะห่างระหว่างทางด้านหน้าแบบไม่ถูกครอบงำได้รับ( Q )
และตั้งค่าของ( P โซลูชัน pareto - ได้ผลดีที่สุด*)การศึกษานี้ computes ระยะทางตามแบบยูคลิด
ต่ำสุดของโซลูชันแต่ละครั้งจาก 500 คะแนนเลือกที่ด้านหน้า pareto - ดีที่สุดโดยสมการ( 8 )
โดยเฉลี่ยจากระยะไกลเหล่านี้มีการใช้ระบบเมตริกเป็นผู้นำชีวิตคอนเวอร์เจนซ์ที่เป็นสมการ( 9 )