Metaheuristics are frequently emplo

Metaheuristics are frequently employed to solve optimization problems in various fields due to their inherent advantages over traditional techniques (Deb, 2001). Many techniques such as Genetic Algorithm (GA) (Holland, 1992) and Particle Swarm Optimization (PSO) (Kennedy and Eberhart, 1995) are well established in literature, and variants are regularly developed (Khatib and Fleming, 1998, Ratnaweera et al., 2004,Gülcü and Kodaz, 2015, Tsai, 2015, Kim et al., 2007, Chatterjee and Siarry, 2006,Moayedikia et al., 2015 and Idris et al., 2015) to improve or modify certain aspects of the algorithm. This is possible because most metaheuristics are remarkably simple and very flexible. Additionally, being derivative-free, these techniques do not require any prior knowledge on the physics of the problem and hence are attractive options for a wide range of problems (Gosselin et al., 2009, Ramteke and Srinivasan, 2012, Lee et al., 2008, Babu and Angira, 2006, Li and Shao, 2016, Zhao et al., 2016, Ling et al., 2016 and Thomas et al., 2015). Single objective metaheuristics also form the basis for more complex algorithms such as multi-objective optimization algorithms. Several popular single objective algorithms have been extended to accommodate multiple objectives in literature (Mirjalili et al., 2016, Deb et al., 2002, Dasheng et al., 2007,Chalermchaiarbha and Ongsakul, 2012 and Agrawal et al., 2006).

ผลลัพธ์ (ไทย) 1:

Metaheuristics มีงานบ่อยเพื่อแก้ปัญหาในด้านต่าง ๆ เนื่องจากข้อได้เปรียบของธรรมชาติผ่านเทคนิคดั้งเดิม (Deb, 2001) เทคนิคมากมายเช่นอัลกอริทึมทางพันธุกรรม (GA) (ฮอลแลนด์ 1992) และอนุภาครุมเพิ่มประสิทธิภาพของฉัน (เคนเนดี้และ Eberhart, 1995) จะดีขึ้นในวรรณคดี และตัวแปรที่มีพัฒนาอย่างสม่ำเสมอ (Khatib และเฟลมิง 1998, Ratnaweera et al. 2004, Gülcü และ Kodaz, 2015 เจิงโป๋วไจ๋ 2015, Kim et al. 2007, Chatterjee และ Siarry, 2006, Moayedikia et al. 2015 และอิด et al. 2015) การปรับปรุง หรือปรับเปลี่ยนลักษณะบางอย่างของอัลกอริทึม นี้เป็นไปได้เนื่องจากส่วนใหญ่ metaheuristics ง่ายอย่างน่าทึ่ง และมีความยืดหยุ่นมาก นอกจากนี้ การอนุพันธ์ฟรี เทคนิคเหล่านี้ไม่จำเป็นต้องมีความรู้เดิมเกี่ยวกับฟิสิกส์ของปัญหา และจึง เป็นตัวเลือกที่น่าสนใจสำหรับช่วงกว้างของปัญหา (Gosselin et al. 2009, Ramteke และ Srinivasan, 2012, Lee et al. 2008, Babu และ Angira, 2006, Li และ Shao, 2016, Zhao et al. 2016, Ling et al. 2016 และโทมัส et al. 2015) Metaheuristics วัตถุประสงค์เดี่ยวยังเป็นพื้นฐานสำหรับอัลกอริทึมซับซ้อนเช่นอัลกอริทึมแบบปรับให้เหมาะสม อัลกอริธึมหลายวัตถุประสงค์เดียวยอดนิยมมีการขยายเพื่อรองรับวัตถุประสงค์หลายในวรรณคดี (Mirjalili et al. 2016, Deb et al. 2002, Dasheng et al. 2007, Chalermchaiarbha และ อ่องสกุล 2012 และ Agrawal et al. 2006)

ผลลัพธ์ (ไทย) 2:

Metaheuristics เป็นลูกจ้างที่พบบ่อยในการแก้ปัญหาการเพิ่มประสิทธิภาพในด้านต่าง ๆ เนื่องจากได้เปรียบโดยธรรมชาติของพวกเขามากกว่าเทคนิคแบบดั้งเดิม (Deb, 2001) เทคนิคหลายอย่างเช่นขั้นตอนวิธีพันธุกรรม (GA) (ฮอลแลนด์, 1992) และการเพิ่มประสิทธิภาพจับกลุ่มอนุภาค (PSO) (เคนเนดี้และ Eberhart, 1995) จะดีขึ้นในวรรณคดีและตัวแปรที่มีการพัฒนาอย่างสม่ำเสมอ (ตีบและเฟลมมิ่งปี 1998 Ratnaweera et al, 2004 Gülcüและ Kodaz 2015 ไจ่ 2015 คิม et al., 2007 Chatterjee และ Siarry 2006 Moayedikia et al., 2015 และไอดริส et al., 2015) ในการปรับปรุงหรือปรับเปลี่ยนลักษณะบางอย่างของอัลกอริทึม นี้เป็นไปได้เพราะ metaheuristics ส่วนใหญ่จะเป็นที่น่าทึ่งง่ายและมีความยืดหยุ่นมาก นอกจากนี้การเป็นอนุพันธ์ฟรีเทคนิคเหล่านี้ไม่จำเป็นต้องมีความรู้ก่อนใด ๆ เกี่ยวกับฟิสิกส์ของปัญหาและจึงเป็นตัวเลือกที่น่าสนใจสำหรับช่วงกว้างของปัญหา (Gosselin et al., 2009 Ramteke และ Srinivasan, 2012, Lee et al, 2008 นายและ Angira 2006 หลี่และ Shao 2016, Zhao et al., 2016 หลิง et al., 2016 และโทมัส et al., 2015) metaheuristics วัตถุประสงค์เดียวยังเป็นพื้นฐานสำหรับกลไกที่ซับซ้อนมากขึ้นเช่นการเพิ่มประสิทธิภาพขั้นตอนวิธีการหลายวัตถุประสงค์ หลายขั้นตอนวิธีการที่นิยมวัตถุประสงค์เดียวได้รับการขยายเพื่อรองรับหลายวัตถุประสงค์ในวรรณคดี (Mirjalili et al., 2016 Deb et al., 2002 Dasheng et al., 2007 Chalermchaiarbha และ Ongsakul 2012 และ Agrawal et al., 2006)

ผลลัพธ์ (ไทย) 3:

เมตาฮิวริ ิกมักใช้เพื่อแก้ปัญหาการเพิ่มประสิทธิภาพในด้านต่าง ๆเนื่องจากข้อได้เปรียบโดยธรรมชาติของพวกเขามากกว่าเทคนิคแบบดั้งเดิม ( เด็บ , 2001 ) หลายเทคนิคเช่น Genetic Algorithm ( GA ) ( ฮอลแลนด์ , 1992 ) และการหาฝูงอนุภาค ( PSO ) ( เคนเนดี้และเอเบอร์ฮาร์ท , 1995 ) ได้ก่อตั้งขึ้นในวรรณคดี และสายพันธุ์ที่พัฒนาอยู่เสมอ ( เคาะ และ เฟลมมิ่ง , 1998 , ratnaweera et al . , 2004 , G üü และ kodaz 2015 , LC , ไซ 2015 , Kim et al . , 2007 , chatterjee และ siarry , 2006 , moayedikia et al . , 2015 และอิดริส et al . , 2015 ) เพื่อปรับปรุงหรือปรับเปลี่ยนลักษณะบางอย่างของขั้นตอนวิธี นี้เป็นไปได้เพราะเมตาฮิวริ ิกส่วนใหญ่จะง่ายอย่างน่าทึ่งและมีความยืดหยุ่นมาก นอกจากนี้ การดัดแปลงฟรี เทคนิคเหล่านี้ไม่ต้องใช้ความรู้ใด ๆก่อนในฟิสิกส์ของปัญหา แล้วจึงเป็นทางเลือกที่น่าสนใจสำหรับช่วงกว้างของปัญหา ( Gosselin et al . , 2009 , และ ramteke srinivasan 2012 ลี et al . , 2008 , และนาย angira 2006 และ 2016 , เชาลี , จ้าว et al . , 2016 , หลิง et al . , 2016 และโทมัส et al . , 2015 ) เมตาฮิวริ ิกวัตถุประสงค์เดียวยังเป็นพื้นฐานสำหรับอัลกอริทึมที่ซับซ้อนมากขึ้นเช่นหลายขั้นตอนวิธีการเพิ่มประสิทธิภาพ . หลายขั้นตอนวิธีวัตถุประสงค์เดียวที่เป็นที่นิยมได้รับการขยายเพื่อรองรับวัตถุประสงค์หลายในวรรณคดี ( mirjalili et al . , 2016 , เด็บ et al . , 2002 dasheng et al . , 2007 , และ chalermchaiarbha า 2012 และ Agrawal et al . , 2006 )