4.3 Comparison Results among Algorithms
Simulation results of the proposed E-NSGA-II on nine test problems are compared with five
multi-objective optimizers, which are NSGA-II, n-NSGA-II, SPEA, PAES and MOTS. Table 5
and Table 6 depict the convergence metric Υ and the diversity metric Δ of the experimental
results obtained using these six algorithms, respectively. The mean and variance of
simulation results in 10 independent experiments are depicted in the first row and the
second row of each algorithm in Table 5 and Table 6. The mean of the metrics reveals the
average evolutionary performance and represents the optimization results in comparison
with other algorisms. The variance of the metrics indicates the consistency of an algorithm.
Table 5 shows that using the proposed evaluative crossover can further improve the
convergence quality of NSGA-II on almost all problems except on problem POL. E-NSGA-II
performs as good as n-NSGA-II to converge in six MOPs and outperforms n-NSGA-II in
FON, POL and ZDT6. Furthermore, E-NSGA-II significantly overcomes SPEA, PAES and
MOTS in eight problems but slightly loses on problem POL. In all cases with E-NSGA-II, the
variance of convergence metric in ten runs is also small except in POL. That is, E-NSGA-II is
great and consistent as n-NSGA-II and outperforms NSGA-II, SPEA, PAES and MOTS on
the convergence capability.
In Table 6, E-NSGA-II outperforms all other algorithms dramatically on the mean of the
diversity metric in almost all test problems except in POL and KUR with NSGA-II. That is,
E-NSGA-II is a brilliant algorithm for MOPs to ensure a better spread among solutions and
provide a good diversity although it slightly loses on the mean of convergence metric in two
problems with NSGA-II. That is, E-NSGA-II can find a better spread of solutions than other
algorithms on almost all test problems.
4.3 ผลการเปรียบเทียบระหว่างอัลกอริทึม
ผลการจำลองแบบของนำเสนอ e-nsga-II เก้าปัญหาการทดสอบเมื่อเทียบกับห้า
เพิ่มประสิทธิภาพหลายวัตถุประสงค์ซึ่งเป็น nsga-II, Paes n-nsga-II, spea และ mots ตารางที่ 5 และ 6
ตารางพรรณนาΥเมตริกบรรจบกันและความหลากหลายของตัวชี้วัดΔของผลการทดลองที่ได้รับ
ใช้เหล่านี้หกขั้นตอนวิธีการตามลำดับ ความหมายและความแปรปรวนของ
ผลการจำลองแบบใน 10 ทดลองที่เป็นอิสระเป็นภาพที่อยู่ในแถวแรกและ
แถวที่สองของอัลกอริทึมในแต่ละตารางที่ 5 และ 6 ของตาราง เฉลี่ยของตัวชี้วัดที่แสดงให้เห็นถึงประสิทธิภาพการทำงานของวิวัฒนาการ
เฉลี่ยและแสดงผลการเพิ่มประสิทธิภาพในการเปรียบเทียบกับ
algorisms อื่น ๆ ความแปรปรวนของตัวชี้วัดที่บ่งบอกถึงความสอดคล้องของอัลกอริทึม
ตารางที่ 5 แสดงให้เห็นว่าการใช้ครอสโอเวอร์ประเมินที่นำเสนอยังสามารถปรับปรุงคุณภาพของการบรรจบกัน
nsga-II ปัญหาเกือบทั้งหมดยกเว้น Pol ปัญหา e-nsga-II
ดำเนินการที่ดีเป็น n-nsga-II จะมาบรรจบกันในหกไม้ถูพื้นและมีประสิทธิภาพดีกว่า n-nsga-II ใน
fon, Pol และ zdt6 นอกจากนี้ e-nsga-II อย่างมีนัยสำคัญครอบงำ Paes, spea และ
mots ในแปดปัญหาเล็กน้อย แต่สูญเสียเมื่อ Pol ปัญหาในทุกกรณีที่มี e-nsga-II,
แปรปรวนของการลู่ของตัวชี้วัดในสิบวิ่งยังมีขนาดเล็กยกเว้นใน Pol นั่นคือ e-nsga-II คือ
ที่ดีและสอดคล้องกันเป็น n-nsga-II และมีประสิทธิภาพดีกว่า nsga-II, spea, Paes และ mots
เมื่อความสามารถในการบรรจบกัน
ในตาราง 6, e-nsga-II มีประสิทธิภาพดีกว่ากลไกอื่น ๆ ทั้งหมดอย่างมากเมื่อเฉลี่ยของ
ความหลากหลายของตัวชี้วัดในเกือบทุกปัญหายกเว้นในการทดสอบและ Pol Kur กับ nsga-II นั่นคือ
e-nsga-II เป็นอัลกอริทึมที่ยอดเยี่ยมสำหรับไม้ถูพื้นเพื่อให้แน่ใจว่าการแพร่กระจายที่ดีขึ้นในหมู่โซลูชั่นและ
ให้ความหลากหลายที่ดีแม้ว่ามันจะเล็กน้อยเมื่อสูญเสียเฉลี่ยของการบรรจบกันของตัวชี้วัดในสองปัญหากับ nsga
-II นั่นคือ e-nsga-II จะพบการแพร่กระจายของการแก้ปัญหาที่ดีขึ้นกว่าที่อื่น ๆ
อัลกอริทึมในเกือบทุกปัญหาทดสอบ
การแปล กรุณารอสักครู่..
4.3 เปรียบเทียบผลระหว่างอัลกอริทึม
มีการเปรียบเทียบผลการทดลองของเสนอ E-NSGA-II ในปัญหาทดสอบเก้ากับห้า
เพิ่มหลายวัตถุประสงค์ประสิทธิภาพ ที่ NSGA II, n-NSGA-II, SPEA, PAES และ MOTS ตาราง 5
และ 6 ตารางแสดงการลู่เข้าวัดΥและδยอดการวัดความหลากหลายของการทดลอง
ผลลัพธ์ได้โดยใช้กระบวนเหล่านี้หก ตามลำดับ ค่าเฉลี่ยและความแปรปรวนของ
ผลการทดลองในการทดลองอิสระ 10 จะแสดงในแถวแรกและ
แถวที่สองของแต่ละอัลกอริทึมในตาราง 5 และ 6 ตาราง หมายความว่าของแสดงถึงการวัดการ
เฉลี่ยประสิทธิภาพวิวัฒนาการและปรับผลการเปรียบเทียบแสดง
กับ algorisms อื่น ๆ ความแปรปรวนของเครื่องมือวัดบ่งชี้ความสอดคล้องของขั้นตอนวิธีการ
ตาราง 5 แสดงว่า ใช้ไขว้ evaluative เสนอเพิ่มเติมช่วยให้การ
คุณภาพบรรจบกันของ NSGA II ปัญหาเกือบทั้งหมดยกเว้นปัญหาสินชัย E-NSGA-II
ทำเป็นดีเป็น n-NSGA-II จะมาบรรจบกันในหก MOPs และ outperforms n-NSGA-II ใน
ฝน POL และ ZDT6 นอกจากนี้ E NSGA II มาก overcomes SPEA, PAES และ
MOTS ปัญหาแปด แต่สูญเสียเล็กน้อยในปัญหา POL ในทุกกรณีกับ E-NSGA-II การ
ผลต่างของวัดบรรจบกันในสิบทำเป็นขนาดเล็กยกเว้นใน POL นั่นคือ E NSGA II มี
ดี และสอดคล้องเป็น n NSGA II และ outperforms NSGA II, SPEA, PAES และ MOTS บน
สามารถบรรจบกัน
ในตาราง 6, E NSGA II outperforms กระบวนอื่น ๆ อย่างมากในช่วงของการ
วัดความหลากหลายในเกือบทุกการทดสอบปัญหายกเว้นใน POL และคชีกับ NSGA II นั่นคือ,
E NSGA II เป็นอัลกอริทึมที่ยอดเยี่ยมสำหรับ MOPs ให้กระจายดีกว่าระหว่างโซลูชั่น และ
ให้ความหลากหลายที่ดีแม้ว่าจะสูญเสียเล็กน้อยบนค่าเฉลี่ยของวัดบรรจบกัน 2
ปัญหา NSGA II นั่นคือ E NSGA II สามารถหามาดีกว่าโซลูชั่นกว่ากัน
อัลกอริทึมในการทดสอบเกือบทุกปัญหา
การแปล กรุณารอสักครู่..