3) Parameters of the Genetic Algori

3) Parameters of the Genetic Algorithm: One of the difficulties of genetic algorithms is finding the best internal parameters in order to optimize speed and convergence.
These parameters are
• Size of the initial population
• Number of generations
• Crossover probability
• Mutation probability
• Rate of elitism.
The parameter values to be used are dependent on the type of GA operators used. In order to be able to compare the performance of the two crossover operators used, we tried to
keep the rest of the parameters the same.
After quite a lot of trial and error, the parameter values as presented in Table 2 appeared to be adequate.
A rather low crossover probability (0.1) together with a high mutation probability (1.0) yielded the best results in the first series of experiments.
This is remarkable since it actually means that the two-point orderbased
crossover does not really works fine.

ผลลัพธ์ (ไทย) 1:

3) พารามิเตอร์ของอัลกอริทึมทางพันธุกรรม: ความยากลำบากของอัลกอริทึมทางพันธุกรรมอย่างใดอย่างหนึ่งคือการหาพารามิเตอร์ภายในส่วนการเพิ่มประสิทธิภาพความเร็วและบรรจบกัน
พารามิเตอร์เหล่านี้
•ขนาดของประชากรเริ่มต้น
•จำนวนรุ่น
•ความน่าเป็นแบบไขว้
•ความน่าเป็นการกลายพันธุ์
•อัตราของ elitism
ค่าพารามิเตอร์ที่จะใช้จะขึ้นอยู่กับชนิดของตัว GA ใช้ เพื่อให้สามารถเปรียบเทียบประสิทธิภาพของตัวไขว้สองใช้ เราพยายาม
เก็บพารามิเตอร์เดียวกัน
หลังค่อนข้างมากลองผิดลองถูก ค่าพารามิเตอร์ที่แสดงในตารางที่ 2 ปรากฏให้เพียงพอ
ความไขว้ค่อนข้างต่ำน่าเป็น (0.1) พร้อมกับความน่าเป็นการกลายพันธุ์สูง (1.0) ผลสุดในชุดแรกของการทดลอง
นี้จะโดดเด่น เพราะมันจะหมายความ ว่า orderbased สองจุด
ไขว้ไม่จริง ๆ ทำงานดีขึ้น

ผลลัพธ์ (ไทย) 2:

3) พารามิเตอร์ของขั้นตอนวิธีทางพันธุกรรม: หนึ่งในความยากลำบากของขั้นตอนวิธีทางพันธุกรรมคือการหาพารามิเตอร์ภายในที่ดีที่สุดเพื่อเพิ่มประสิทธิภาพความเร็วและการบรรจบกัน
พารามิเตอร์เหล่านี้
•ขนาดของประชากรที่เริ่มต้น
•จำนวนรุ่น
•ครอสโอเวอร์น่าจะเป็น
ความน่าจะเป็นกลายพันธุ์•
•อัตรา ของอภิสิทธิ์
ค่าพารามิเตอร์ที่จะใช้จะขึ้นอยู่กับประเภทของผู้ประกอบการที่ใช้จอร์เจีย เพื่อที่จะสามารถเปรียบเทียบประสิทธิภาพการทำงานของสองผู้ประกอบการที่ใช้ครอสโอเวอร์ที่เราพยายามที่จะ
เก็บส่วนที่เหลือของพารามิเตอร์เดียวกัน
หลังจากที่ค่อนข้างมากของการทดลองและข้อผิดพลาดของค่าพารามิเตอร์ที่แสดงในตารางที่ 2 ดูเหมือนจะเพียงพอ
ความน่าจะเป็นภูมิภาคที่ค่อนข้างต่ำ (0.1) ร่วมกับความน่าจะกลายพันธุ์สูง (1.0) ให้ผลผลลัพธ์ที่ดีที่สุดในซีรีส์แรกของการทดลอง
นี้เป็นที่น่าทึ่งเพราะมันจริงหมายถึงว่าทั้งสองจุด orderbased
ข้ามไม่ได้จริงๆทำงานได้ดี

ผลลัพธ์ (ไทย) 3:

3 ) ค่าพารามิเตอร์ของขั้นตอนวิธีพันธุกรรม : หนึ่งในปัญหาของขั้นตอนวิธีเชิงพันธุกรรม คือ การหาค่าพารามิเตอร์ภายในที่ดีที่สุดเพื่อเพิ่มประสิทธิภาพความเร็วและ Convergence

ขนาดพารามิเตอร์เหล่านี้เป็นบริการของประชากรเริ่มต้น
-
- หลายรุ่น - ครอสโอเวอร์ ความน่าจะเป็น ความน่าจะเป็น
-
การกลายพันธุ์อัตรา 24 .
ค่าพารามิเตอร์ที่จะจะใช้จะขึ้นอยู่กับประเภทของผู้ประกอบการโรงงานที่ใช้เพื่อให้สามารถเปรียบเทียบประสิทธิภาพของการใช้สองผู้ประกอบการ เราพยายาม

เก็บส่วนที่เหลือของพารามิเตอร์เดียวกัน
หลังจากค่อนข้างมากของการทดลองและข้อผิดพลาด ค่าพารามิเตอร์ที่แสดงในตารางที่ 2 ปรากฏเป็นเพียงพอ
ความน่าจะเป็นแบบค่อนข้างต่ำ ( 0.1 ) พร้อมกับความน่าจะเป็นการกลายพันธุ์สูง ( 1.0 ) ให้ผลผลลัพธ์ที่ดีที่สุดในชุดแรกของการทดลอง
นี่น่าทึ่งเพราะมันจริงหมายถึงว่าครอสโอเวอร์ orderbased
สองจุด - ไม่ได้จริงๆทำงานดี