We reviewed one important approach

We reviewed one important approach to the classical MDVRP optimization – GA. As we saw in the background section, there has been already a lot of research done in this field, but none of them review the field systematically. We tried to fill this gap, by reviewing the most important achievements done in the field. Most frequent methods of crossover, mutation and selection were described, implemented and also tested later on. We also review some of the most used non typical operators, like elitism and repair operators. Based on the literature review, some common and most useful genetic operators were implemented and run through the experiment in order to compare them to each other and find the most useful ones. As we saw from the results of the experiment, some approached were not particularity successful in providing competitive solutions for this kind of problem. Others, like ordered crossover, exchange mutation and tournament or linear ranking selection were found to be quite good and should be used in any further study done with the similar type of the problem in mind.

Some of the leading GA approaches to solving MDVRP were tested on standard benchmark problems and compared with other existing MDVRP optimization methods. The obtained results show, that the GAs are on par with other approaches and are very appropriate for this type of problem solving. As has also been confirmed in [18] and [19], the main advantage of the GA is the linear scaling with the growing problem size and thus is preferred for solving large NP problems over exact algorithms or some other heuristic methods.

ผลลัพธ์ (ไทย) 1:

We reviewed one important approach to the classical MDVRP optimization – GA. As we saw in the background section, there has been already a lot of research done in this field, but none of them review the field systematically. We tried to fill this gap, by reviewing the most important achievements done in the field. Most frequent methods of crossover, mutation and selection were described, implemented and also tested later on. We also review some of the most used non typical operators, like elitism and repair operators. Based on the literature review, some common and most useful genetic operators were implemented and run through the experiment in order to compare them to each other and find the most useful ones. As we saw from the results of the experiment, some approached were not particularity successful in providing competitive solutions for this kind of problem. Others, like ordered crossover, exchange mutation and tournament or linear ranking selection were found to be quite good and should be used in any further study done with the similar type of the problem in mind.บางวิธี GA นำไปแก้ MDVRP ถูกทดสอบบนปัญหามาตรฐานมาตรฐาน และเปรียบเทียบกับวิธีการเพิ่มประสิทธิภาพ MDVRP อื่น ๆ ที่มีอยู่ ผลได้รับแสดง ก๊าซจะไล่เลี่ยกับวิธีอื่น ๆ และเป็นที่เหมาะสมสำหรับชนิดของการแก้ปัญหานี้ ขณะที่ยังได้รับการยืนยันใน [18] [19], ประโยชน์หลักของ GA เป็นเส้นขนาดกับขนาดปัญหาเจริญเติบโต และจึง เป็นที่ต้องการแก้ไขปัญหา NP ใหญ่อัลกอริทึมที่แน่นอนหรือบางวิธีอื่น ๆ แล้ว

ผลลัพธ์ (ไทย) 2:

เราได้ตรวจสอบวิธีการหนึ่งที่สำคัญในการเพิ่มประสิทธิภาพ MDVRP คลาสสิก - GA ขณะที่เราเห็นในส่วนพื้นหลังได้มีการแล้วจำนวนมากของการทำวิจัยในด้านนี้ แต่ไม่มีของพวกเขาทบทวนข้อมูลอย่างเป็นระบบ เราพยายามที่จะเติมเต็มช่องว่างนี้โดยการตรวจสอบความสำเร็จที่สำคัญที่สุดทำในสนาม วิธีที่พบบ่อยที่สุดของครอสโอเวอร์, การกลายพันธุ์และการเลือกที่ถูกอธิบายดำเนินการและยังผ่านการทดสอบในภายหลัง นอกจากนี้เรายังทบทวนบางส่วนของที่ใช้มากที่สุดไม่ใช่ผู้ประกอบการทั่วไปเช่นเดียวกับอภิสิทธิ์และผู้ประกอบการซ่อมแซม จากการทบทวนวรรณกรรมบางผู้ประกอบการทางพันธุกรรมที่พบบ่อยและมีประโยชน์มากที่สุดถูกนำมาใช้และทำงานผ่านการทดลองเพื่อเปรียบเทียบพวกเขากับแต่ละอื่น ๆ และหาคนที่มีประโยชน์มากที่สุด ขณะที่เราเห็นจากผลการทดลองบางคนเดินเข้ามาไม่ได้พิลึกประสบความสำเร็จในการให้บริการโซลูชั่นการแข่งขันสำหรับชนิดของปัญหานี้ อื่น ๆ , ครอสโอเวอร์ที่สั่งซื้อเช่นการกลายพันธุ์แลกเปลี่ยนและการแข่งขันหรือการเลือกการจัดอันดับเชิงเส้นพบว่ามีค่อนข้างดีและควรจะใช้ในการศึกษาเพิ่มเติมใด ๆ ที่ทำกับประเภทที่คล้ายกันของปัญหาในใจ. บางส่วนของวิธีการที่นำ GA การแก้ MDVRP ถูกทดสอบ เกี่ยวกับปัญหามาตรฐานมาตรฐานและเมื่อเทียบกับที่มีอยู่อื่น ๆ MDVRP วิธีการเพิ่มประสิทธิภาพ ผลที่ได้แสดงให้เห็นว่าก๊าซอยู่ในที่ตราไว้หุ้นด้วยวิธีการอื่น ๆ และมีความเหมาะสมมากสำหรับประเภทของการแก้ปัญหานี้ ในขณะที่ยังได้รับการยืนยันใน [18] และ [19] ประโยชน์หลักของ GA เป็นปรับเชิงเส้นที่มีขนาดปัญหาการเจริญเติบโตและทำให้เป็นที่ต้องการสำหรับการแก้ปัญหา NP ขนาดใหญ่กว่าอัลกอริทึมที่แน่นอนหรือบางวิธีการแก้ปัญหาอื่น ๆ

ผลลัพธ์ (ไทย) 3:

เราดูวิธีการหนึ่งที่สำคัญเพื่อเพิ่มประสิทธิภาพ mdvrp คลาสสิก–โรงงาน ตามที่เราเห็นในส่วนของพื้นหลัง , มีแล้วมากของการวิจัยในด้านนี้ แต่ไม่มีผู้ใดของพวกเขาตรวจสอบเขตข้อมูลอย่างเป็นระบบ เราพยายามที่จะเติมช่องว่างนี้ โดยการทบทวนที่สำคัญที่สุดความสำเร็จในสาขา วิธีการที่พบบ่อยที่สุดของ crossover การกลายพันธุ์และการคัดเลือกเป็นอธิบายพัฒนาและทดสอบภายหลัง นอกจากนี้เรายังตรวจสอบบางส่วนของที่ใช้มากที่สุดโดยทั่วไปผู้ประกอบการผู้ประกอบการไม่เหมือนคนรวยและซ่อมแซม จากการทบทวนวรรณกรรมบางทั่วไปและมีประโยชน์มากที่สุด ผู้ประกอบการทางพันธุกรรมถูกนำมาใช้ และวิ่งผ่านการทดลองเพื่อเปรียบเทียบพวกเขากับแต่ละอื่น ๆและหาสิ่งมีประโยชน์มากที่สุด ตามที่เราได้เห็นจากผลของการทดลองบางอย่างก็ไม่ประสบความสำเร็จในการให้บริการโซลูชั่นการแข่งขันสำหรับปัญหานี้ ผู้อื่น ชอบสั่ง crossover การกลายพันธุ์แลกเปลี่ยนและการแข่งขันการจัดอันดับหรือเส้นได้ค่อนข้างดี และควรใช้ในการใด ๆเพิ่มเติม ศึกษากับประเภทที่คล้ายกันของปัญหาในใจ

บางส่วนของชั้นนํา กา แนวทางการแก้ไขปัญหา mdvrp ทำการอ้างอิงมาตรฐาน และเปรียบเทียบกับอื่น ๆที่มีอยู่ mdvrp วิธีการเพิ่มประสิทธิภาพ . ผลการทดลองแสดงว่าแก๊สถูกเมื่อเทียบกับวิธีอื่น ๆและมีความเหมาะสมมากสำหรับการแก้ไขปัญหาประเภทนี้ และยังได้รับการยืนยันใน [ 18 ] และ [ 19 ]ประโยชน์หลักของเกมคือการเติบโตเชิงเส้นที่มีขนาดของปัญหา จึงเป็นที่ต้องการสำหรับการแก้ไขปัญหาเอ็นพีขนาดใหญ่กว่าอัลกอริทึมฮิวริสติกที่แน่นอนหรือบางวิธีอื่น ๆ