3.3. Optimization techniqueA heuris

3.3. Optimization technique
A heuristic simulation-based technique is applied in this work
to find optimal solutions. The Cross Entropy (CE) combinatorial
optimization method (Rubinstein, 1997; Rubinstein and
Kroese, 2004) was integrated with the non-dominated solutions
ranking (Fonseca and Fleming, 1993) for multi-objective
optimization.
In a multi-objective optimization framework there is not a
single optimal solution but a set of compromised solutions.
This set of solutions is called the Pareto optimal solution set or
the non-dominated solution set. Each solution on the Pareto
optimal front is optimal in the sense that it is not possible to
improve one objective without worsening at least one of the
others. The non-dominated solution’s ranking (Fonseca and
Fleming, 1993) is utilized to find the optimal Pareto fronts.
This approach was previously successfully applied to water
distribution systems least cost design (Perelman et al., 2008).
The CE method for optimization seeks to find an optimal
probability, such that the Kullback-Leibler distance (Kullback
and Leibler, 1951) between the sampling probability and the
theoretical optimal probability is minimal. The CE algorithm is
an iterative procedure involving generating, evaluating, and
ranking randomsamplesandupdating the samplingprobability.
Starting with some initial probability density, the sampling
probability is updated with each iteration, until convergence.

ผลลัพธ์ (ไทย) 2:

3.3 การเพิ่มประสิทธิภาพเทคนิคเทคนิคการจำลองที่ใช้แก้ปัญหาถูกนำไปใช้ในงานนี้เพื่อหาทางแก้ปัญหาที่ดีที่สุด ครอสเอนโทรปี (CE) combinatorial วิธีการเพิ่มประสิทธิภาพ (รูบิน 1997; รูบินและKroese, 2004) ได้บูรณาการกับการแก้ปัญหาที่ไม่ได้ครอบงำการจัดอันดับ(Fonseca และเฟลมมิ่ง 1993) สำหรับหลายวัตถุประสงค์การเพิ่มประสิทธิภาพ. ในกรอบการเพิ่มประสิทธิภาพหลายวัตถุประสงค์มี ไม่ได้เป็นทางออกที่ดีที่สุดเพียงครั้งเดียวแต่ชุดของการแก้ปัญหาที่ถูกบุกรุก. ชุดของการแก้ปัญหานี้เรียกว่าชุดทางออกที่ดีที่สุด Pareto หรือชุดแก้ปัญหาที่ไม่โดดเด่น วิธีการแก้ปัญหาในแต่ละ Pareto ด้านหน้าที่ดีที่สุดคือการที่ดีที่สุดในแง่ที่ว่ามันเป็นไปไม่ได้ที่จะปรับปรุงวัตถุประสงค์อย่างใดอย่างหนึ่งโดยไม่ได้เลวร้ายอย่างน้อยหนึ่งของคนอื่นๆ ไม่ใช่ครอบงำการจัดอันดับการแก้ปัญหา (Fonseca และเฟลมมิ่ง1993) ถูกนำมาใช้ในการหาเสื้อผ้า Pareto ที่ดีที่สุด. วิธีการนี้ก่อนหน้านี้ใช้ประสบความสำเร็จไปในน้ำระบบการกระจายอย่างน้อยการออกแบบค่าใช้จ่าย (Perelman et al., 2008). วิธี CE สำหรับการเพิ่มประสิทธิภาพพยายาม ที่จะหาที่ดีที่สุดน่าจะเป็นเช่นนั้นระยะทางKullback-Leibler (Kullback และ Leibler, 1951) ระหว่างความน่าจะเป็นตัวอย่างและความน่าจะเป็นที่ดีที่สุดในทางทฤษฎีมีน้อย อัลกอริทึม CE เป็นขั้นตอนที่เกี่ยวข้องกับการสร้างซ้ำประเมินผลและการจัดอันดับrandomsamplesandupdating samplingprobability ได้. เริ่มต้นด้วยบางความหนาแน่นเริ่มต้นการสุ่มตัวอย่างน่าจะมีการปรับปรุงด้วยซ้ำจนบรรจบกัน

ผลลัพธ์ (ไทย) 3:

3.3 . เทคนิคเพิ่มประสิทธิภาพ
เทคนิคตามแบบฮิวริสติกที่ใช้ในงานนี้
เพื่อหาโซลูชั่นที่เหมาะสมที่สุด ครอสเอนโทรปี ( CE ) วิธีเพิ่มประสิทธิภาพการ
( Rubinstein , 1997 ; Rubinstein และ
kroese , 2004 ) ถูกรวมเข้ากับโซลูชั่นไม่เด่น
อันดับ ( และ ฟอนเซก้า เฟลมมิ่ง , 1993 ) สำหรับหลาย

เหมาะในการเพิ่มประสิทธิภาพหลายกรอบไม่มี
เดียวที่ดีที่สุดโซลูชันแต่ชุดของโซลูชั่นที่ถูกบุกรุก .
ชุดของโซลูชั่นนี้เรียกว่า Pareto ที่ดีที่สุดวิธีการตั้งค่าหรือ
ไม่โดดเด่น โซลูชั่น ชุด แต่ละโซลูชั่นบนโต
ที่ดีที่สุดด้านหน้าเป็นที่ดีที่สุดในความรู้สึกว่ามันเป็นไปไม่ได้ที่จะปรับปรุงวัตถุประสงค์อย่างใดอย่างหนึ่งโดยไม่ต้องลงครับ

อย่างน้อยหนึ่งของผู้อื่นการจัดอันดับโซลูชั่นไม่เด่น ( ฟอนเซก้าและ
Fleming , 1993 ) ถูกใช้เพื่อหาแนวโตที่ดีที่สุด .
วิธีนี้ก่อนหน้านี้ใช้เรียบร้อยแล้วเพื่อการออกแบบระบบอย่างน้อยต้นทุนการกระจายน้ำ
( เพเรลมาน et al . , 2008 ) .
วิธี CE สำหรับการเพิ่มประสิทธิภาพและหาโอกาสที่เหมาะสม
เช่นว่า คัลแบ็กลี๊บเลอร์ระยะทาง ( คัลแบ็ก
ลี๊บเลอร์และ ,1951 ) ระหว่างความน่าจะเป็นความน่าจะเป็นทฤษฎีและ
เหมาะสมน้อยที่สุด CE ของ
ขั้นตอนซ้ำที่เกี่ยวข้องกับการสร้าง , การประเมิน , การจัดอันดับที่ samplingprobability randomsamplesandupdating และ
.
เริ่มต้นด้วยบางความหนาแน่นของความน่าจะเป็นเบื้องต้น กลุ่มตัวอย่าง
ความน่าจะเป็นมีการปรับปรุงกับแต่ละซ้ำ จนกระทั่งบรรจบกัน .