Yeomans [38] further extends the wo

Yeomans [38] further extends the work by Yeomans et al. [37]
combining the use of penalty functions with GLP into an Evolutionary
Simulation-Optimization (ESO) procedure. The computationally
efficient GLP procedure [36] is used to quickly generate a
starting population to initialize the evolutionary algorithm. Then,
in order to allow ESO to explore regions beyond its feasible
boundaries, infeasible solutions are considered in a penaltybased
fashion, transforming the MSW model into an unconstrained
stochastic minimization problem

ผลลัพธ์ (ไทย) 1:

Yeomans [38] ต่อขยายการทำงานโดย Yeomans et al. [37]รวมการใช้ฟังก์ชันลงโทษกับ GLP เป็นการ Evolutionaryขั้นตอนการจำลองเพิ่มประสิทธิภาพ (ESO) การ computationallyใช้กระบวนการ GLP มีประสิทธิภาพ [36] อย่างรวดเร็วสร้างการประชากรเริ่มต้นเริ่มต้นอัลกอริทึมเชิงวิวัฒนาการ แล้วเพื่อให้ ESO แห่งภูมิภาคนอกเหนือจากความเป็นไปได้ขอบเขต โซลูชั่นถอดจะพิจารณาในการ penaltybasedแฟชั่น เปลี่ยนรูปมูลฝอยเป็น unconstrainedปัญหาการลดแบบเฟ้นสุ่ม

ผลลัพธ์ (ไทย) 2:

Yeomans [38] ต่อขยายงานโดย Yeomans et al, [37]
รวมการใช้งานของฟังก์ชั่นที่มีโทษ GLP
เป็นวิวัฒนาการจำลองOptimization (ESO) ขั้นตอน คอมพิวเตอร์ขั้นตอนที่มีประสิทธิภาพ GLP [36] จะใช้ในการได้อย่างรวดเร็วสร้างประชากรเริ่มต้นในการเริ่มต้นขั้นตอนวิธีการวิวัฒนาการ จากนั้นเพื่อให้ ESO ในการสำรวจพื้นที่ที่เกินกว่าความเป็นไปได้ของขอบเขตการแก้ปัญหาที่เป็นไปไม่ได้มีการพิจารณาในpenaltybased แฟชั่นเปลี่ยนรูปแบบขยะเป็นข้อ จำกัดปัญหาลดสุ่ม

ผลลัพธ์ (ไทย) 3:

ยีโอแมนส์ [ 38 ] เพิ่มเติมขยายงานโดย ยีโอแมนส์ et al . [ 37 ]
รวมการใช้บทลงโทษฟังก์ชันกับ GK เป็นการจำลองวิวัฒนาการ
( ESO ) ขั้นตอน การ computationally
มีประสิทธิภาพขั้นตอน GK [ 36 ] ใช้ในการได้อย่างรวดเร็วสร้าง
เริ่มประชากรเริ่มต้นขั้นตอนวิธีวิวัฒนาการ งั้น
เพื่อให้ ESO สำรวจภูมิภาคนอกเหนือจากความเป็นไปได้
ขอบเขตโซลูชั่นที่ถือว่าเป็น penaltybased
แฟชั่น เปลี่ยนขยะเป็นปัญหาแบบการสุ่มซึ่งไม่มีเงื่อนไข