4.4. Test Case 4:CEC-2013 TestbedIn

4.4. Test Case 4:CEC-2013 Testbed
In this section, the proposed SSO is tested on the CEC-
2013 testbed in 10- and 30-dimensional environments.-
CEC-2013 consists of 28 numerical test functions with different
characteristics, which are categorized into three
groups as unimodal functions (f1–f5), multimodal functions
(f6–f20) and composition functions (f21–f28). The complete
description of this testbed is available in [53]. The
results obtained from SSO for every function in this
testbed in 10- and 30-dimensional environments are compared
with the results obtained from IHSA, PSOIIW, and
IGSA in Tables 4 and 5. As the number of test functions of
this testbed is very large, only IHSA, PSOIIW, and IGSA,
which overall have the best results among the 32 benchmark
functions for this testbed, are considered for the
comparison in Tables 4 and 5 for the sake of conciseness
Also, only MIN, MEAN, and MAX results among 30 runs
are reported for each method in these tables.
In Tables 4 and 5, if a benchmark method can reach
the result of SSO, it is indicated by yellow color and if a
benchmark method can obtain a result better than the
result of SSO, it is indicated by red color. For instance, in
Table 4, IHSA can reach the same MIN result of SSO for f5
and obtain a better MAX index than SSO for f5. In the
other cases of Tables 4 and 5, indicated by black color, the
results of SSO are better than the results of the benchmark
methods. These tables clearly show that only in few cases,
the benchmark methods can reach the result of SSO or
obtain slightly better results, while in most of cases, SSO
has better result than the benchmark methods. The comparisons
of Tables 4 and 5 illustrate the effectiveness of
SSO over a large number (totally 56) of complex benchmark
functions.
It should be mentioned that SSO is a basic metaheuristic
optimization algorithm inspired from the nature, similar
to several other basic metaheuristic algorithms such as
GA, PSO, DE, BF, and ABC. Many researchers have worked
on these basic algorithms in the last years and developed
enhanced versions of them, for example, by hybridizing
these algorithms or adding extra search operators and
adaptation mechanisms to them. While SSO is essentially
in the level of the basic algorithms, it can outperform
many other basic algorithms or even enhanced versions of
them as shown in the previous numerical experiments.
Additionally, SSO can be a good origin for developing a
family of heuristic optimization methods such as those
originated from GA, PSO, or DE. Also, as SSO has much
higher search capability than the other basic algorithms,
we expect that effective heuristic optimization methods
can be derived

ผลลัพธ์ (ไทย) 1:

4.4 การทดสอบกรณี 4:CEC-2013 Testbedในส่วนนี้ SSO เสนอจะทดสอบบนพบกับ CEC-testbed 2013 ในสภาพแวดล้อมที่ 10 และ 30-มิติ. -พบกับ CEC-2013 ประกอบด้วย 28 ตัวเลขทดสอบฟังก์ชันพร้อมลักษณะ ซึ่งแบ่งเป็น 3กลุ่มเป็นฟังก์ชัน unimodal (f1 – f5), ฟังก์ชันทุก(f6 – f20) และองค์ประกอบของฟังก์ชัน (f21-f28) สมบูรณ์คำอธิบายของ testbed นี้จะพร้อมใช้งานใน [53] ที่ผลที่ได้รับจาก SSO สำหรับทุกฟังก์ชันนี้testbed ในสภาพแวดล้อมที่ 10 และ 30-มิติจะเปรียบเทียบกับผลได้รับจาก IHSA, PSOIIW และIGSA ในตาราง 4 และ 5 เป็นหมายเลขของฟังก์ชันทดสอบของtestbed นี้มีขนาดใหญ่มาก เฉพาะ IHSA, PSOIIW และ IGSAโดยรวมที่ได้ผลดีสุดระหว่างเกณฑ์มาตรฐาน 32ฟังก์ชันสำหรับ testbed นี้ จะถือว่าการเปรียบเทียบในตาราง 4 และ 5 เพื่อ concisenessยัง เฉพาะนาที ค่าเฉลี่ย และสูงสุดผลระหว่างทำงาน 30มีรายงานสำหรับแต่ละวิธีในตารางเหล่านี้ในตาราง 4 และ 5 ถ้าเป็นวิธีมาตรฐานสามารถเข้าถึงผลของ SSO ถูกบ่งชี้ โดยสีเหลืองและมีวิธีมาตรฐานจะได้รับผลลัพธ์ที่ดีกว่านี้ผลของ SSO ถูกบ่งชี้ โดยสีแดงนั้น ตัวอย่าง ในตาราง 4, IHSA สามารถเข้าถึงผลนาทีเดียวของ SSO สำหรับ f5และรับกับดัชนีสูงสุดดีกว่า SSO สำหรับ f5 ในตาราง 4 และ 5 สีดำ ระบุกรณีอื่น ๆผลลัพธ์ของ SSO จะดีกว่าผลลัพธ์ของเกณฑ์มาตรฐานวิธี ตารางเหล่านี้ชัดเจนแสดงว่าเฉพาะในบางกรณีวิธีการมาตรฐานสามารถเข้าถึงผลลัพธ์ของ SSO หรือได้รับผลลัพธ์ที่ดีขึ้นเล็กน้อย ในส่วนใหญ่ของกรณี SSOมีผลลัพธ์ที่ดีกว่าวิธีมาตรฐาน การเปรียบเทียบตารางที่ 4 และ 5 แสดงประสิทธิภาพของSSO เหนือจำนวนมาก (ทั้งหมด 56) มาตรฐานที่ซับซ้อนฟังก์ชันควรกล่าวว่า SSO พื้นฐาน metaheuristicแรงบันดาลใจจากธรรมชาติ คล้ายอัลกอริทึมเพิ่มประสิทธิภาพการหลายอื่น ๆ พื้นฐาน metaheuristic อัลกอริทึมเช่นGA, PSO, DE เอฟ และ ABC นักวิจัยมากมายได้ทำงานในอัลกอริทึมพื้นฐานเหล่านี้ในปีสุดท้าย และได้รับการพัฒนารุ่นพิเศษของพวกเขา เช่น โดย hybridizingอัลกอริทึมหรือตัวดำเนินการค้นหาเสริมเพิ่มเหล่านี้ และกลไกการปรับตัวไป SSO เป็นหลักในระดับของอัลกอริทึมพื้นฐาน มันสามารถ outperformหลายอัลกอริทึมพื้นฐานหรือขั้นสูงแม้แต่รุ่นอื่น ๆพวกเขาเป็นแสดงในทดลองตัวเลขก่อนหน้านอกจากนี้ SSO อาจเป็นจุดเริ่มต้นที่ดีสำหรับการพัฒนาเป็นของวิธีการปรับให้เหมาะสมแล้วเช่นต้น GA, PSO หรือเดอ ยัง SSO มีมากค้นหาความสามารถที่สูงกว่าอื่น ๆ พื้นฐานอัลกอริทึมเราคาดว่า heuristic ที่มีประสิทธิภาพวิธีการเพิ่มประสิทธิภาพสามารถได้รับมา

ผลลัพธ์ (ไทย) 2:

4.4 กรณีทดสอบที่ 4: CEC 2013 Testbed
ในส่วนนี้สปส. ที่นำเสนอมีการทดสอบใน CEC-
2013 testbed ใน 10 และ 30 มิติ environments.-
CEC 2013 ประกอบด้วย 28
ฟังก์ชั่นการทดสอบกับตัวเลขที่แตกต่างกันลักษณะซึ่งจะแบ่งออกเป็นสามกลุ่มฟังก์ชั่น unimodal (f1-f5) ฟังก์ชั่นต่อเนื่อง (f6-f20) และฟังก์ชั่องค์ประกอบ (F21-F28) ที่สมบูรณ์แบบรายละเอียดของ testbed นี้สามารถใช้ได้ใน [53] ผลที่ได้รับจากสปส. ทุกฟังก์ชั่นในครั้งนี้testbed ใน 10 และสภาพแวดล้อม 30 มิติเมื่อเทียบกับผลที่ได้รับจาก IHSA, PSOIIW และ IGSA ในตารางที่ 4 และ 5 ขณะที่จำนวนของฟังก์ชั่นการทดสอบของtestbed นี้มีขนาดใหญ่มาก เพียง IHSA, PSOIIW และ IGSA, ซึ่งโดยรวมมีผลลัพธ์ที่ดีที่สุดในหมู่ 32 มาตรฐานฟังก์ชั่นสำหรับtestbed นี้ได้รับการพิจารณาสำหรับการเปรียบเทียบในตารางที่4 และ 5 เพื่อประโยชน์ในการกระชับนอกจากนี้เพียงMIN ค่าเฉลี่ยและผล MAX หมู่ 30 วิ่งจะมีการรายงานสำหรับวิธีการในตารางเหล่านี้แต่ละ. ในตารางที่ 4 และ 5 หากวิธีการมาตรฐานสามารถเข้าถึงผลของสปส. ก็จะแสดงเป็นสีเหลืองและถ้าวิธีการมาตรฐานที่จะได้รับผลที่ดีกว่าผลของสปส., มันจะแสดงเป็นสีแดง ยกตัวอย่างเช่นในตารางที่ 4, IHSA สามารถเข้าถึงผล MIN เดียวกันของสปส. สำหรับ f5 และได้รับดัชนี MAX ดีกว่าสปส. สำหรับ f5 ในกรณีอื่น ๆ ของตารางที่ 4 และ 5 ระบุด้วยสีดำที่ผลของสปส. จะดีกว่าผลที่ได้จากมาตรฐานที่วิธีการ ตารางเหล่านี้แสดงให้เห็นชัดเจนว่าเฉพาะในบางกรณีวิธีการมาตรฐานที่สามารถเข้าถึงผลของสปส. หรือได้ผลลัพธ์ที่ดีกว่าเล็กน้อยในขณะที่ในส่วนของกรณีที่สปส. มีผลดีกว่าวิธีการมาตรฐาน เปรียบเทียบตารางที่ 4 และ 5 แสดงให้เห็นถึงประสิทธิภาพของสปส. มาเป็นจำนวนมาก (ทั้งหมด 56) ของมาตรฐานที่ซับซ้อนฟังก์ชั่น. มันควรจะกล่าวว่าสปส. เป็น metaheuristic พื้นฐานขั้นตอนวิธีการเพิ่มประสิทธิภาพของแรงบันดาลใจจากธรรมชาติคล้ายขั้นตอนวิธีการหลายmetaheuristic อื่น ๆ ขั้นพื้นฐานเช่น เป็นGA, PSO, DE, BF และเอบีซี นักวิจัยหลายคนได้ทำงานในขั้นตอนวิธีการพื้นฐานเหล่านี้ในปีที่ผ่านมาและการพัฒนารุ่นที่เพิ่มขึ้นของพวกเขาตัวอย่างเช่นโดยhybridizing ขั้นตอนวิธีการเหล่านี้หรือเพิ่มดำเนินการค้นหาพิเศษและกลไกการปรับตัวให้กับพวกเขา ในขณะที่สปส. เป็นหลักในระดับของขั้นตอนวิธีขั้นพื้นฐานที่จะสามารถมีประสิทธิภาพสูงกว่าหลายขั้นตอนวิธีการขั้นพื้นฐานอื่นๆ หรือรุ่นที่แม้ที่เพิ่มขึ้นของพวกเขาตามที่ปรากฏในการทดลองที่เป็นตัวเลขก่อนหน้านี้. นอกจากนี้สปส. สามารถเป็นจุดเริ่มต้นที่ดีสำหรับการพัฒนาครอบครัววิธีการเพิ่มประสิทธิภาพการแก้ปัญหาดังกล่าวเป็นผู้ที่มาจาก GA, PSO หรือ DE นอกจากนี้ตามที่สปส. มีมากสามารถในการค้นหาสูงกว่าขั้นตอนวิธีการพื้นฐานอื่นๆเราคาดหวังว่าวิธีการเพิ่มประสิทธิภาพที่มีประสิทธิภาพแก้ปัญหาจะได้รับ

ผลลัพธ์ (ไทย) 3:

4.4 . กรณีทดสอบที่ 4 : cec-2013 Name = ทดสอบ Comment
ในส่วนนี้เสนอ สปส. ได้ทดสอบกับ CEC -
2013 Name = ทดสอบ Comment ใน 10 - 30 มิติสภาพแวดล้อม -
cec-2013 ประกอบด้วย 28 การทดสอบเชิงตัวเลขฟังก์ชันที่มีลักษณะแตกต่างกัน

ซึ่งแบ่งออกเป็น 3 กลุ่ม เป็นหน้าที่ unimodal ( F1 ) F5
) หลายฟังก์ชัน ( F6 ) f20 ) และหน้าที่ส่วนประกอบ ( f21 – f28 ) สมบูรณ์
รายละเอียดของ Name = ทดสอบ Comment นี้มีอยู่ใน [ 53 ]
ผลจากสปส. สำหรับทุกฟังก์ชันใน Name = ทดสอบ Comment นี้
10 - 30 ) และมิติเมื่อเทียบกับผลที่ได้จาก ihsa
,
igsa psoiiw และตารางที่ 4 และ 5 เป็นหมายเลขของฟังก์ชั่นการทดสอบ
Name = ทดสอบ Comment นี้มีขนาดใหญ่มาก แต่ ihsa psoiiw และ igsa
, , ซึ่งโดยรวมได้ผลลัพธ์ที่ดีที่สุดในหมู่ 32 มาตรฐาน
ฟังก์ชันสำหรับ Name = ทดสอบ Comment นี้ จะถือว่า
เปรียบเทียบตารางที่ 4 และ 5 เพื่อความกระชับ
นอกจากนี้เพียงมิน หมายถึง ผลของแมกซ์ 30 วิ่ง
มีรายงานแต่ละวิธีการตารางเหล่านี้ .
ในตารางที่ 4 และ 5 ถ้ามาตรฐานวิธีสามารถเข้าถึงผลของ SSO
, จะแสดงด้วยสีเหลือง และถ้า
มาตรฐานวิธีสามารถได้รับผลลัพธ์ที่ดีกว่าผลของ สปส.
,จะแสดงด้วยสีแดง ตัวอย่างเช่นใน
โต๊ะ 4 , ihsa สามารถเข้าถึงเดียวกันผลของมิน SSO สำหรับ F5
และได้รับดีแม็กซ์ดัชนีกว่า SSO สำหรับ F5 . ใน
กรณีอื่น ๆของตารางที่ 4 และ 5 แสดงด้วยสีดำ ,
จากสปส. ดีกว่าผลมาตรฐาน
วิธี ตารางนี้แสดงให้เห็นชัดเจนว่าเฉพาะในกรณีที่น้อย
มาตรฐานวิธีการสามารถเข้าถึงผลของ สปส. หรือ
ได้ผลลัพธ์ดีขึ้นเล็กน้อย ในขณะที่ในส่วนใหญ่ของกรณี สปส.
ได้ผลที่ดีกว่ามาตรฐานวิธีการ เปรียบเทียบ
ตารางที่ 4 และ 5 แสดงให้เห็นถึงประสิทธิภาพของ
สปส. มากกว่าจํานวนมาก ( ทั้งหมด 56 ) ของฟังก์ชันที่ซับซ้อนที่สุด
.
มันควรจะกล่าวว่า สปส. เป็นพื้นฐานเมตาฮิวริ ิก
ขั้นตอนวิธีการหาค่าที่ได้รับแรงบันดาลใจจากธรรมชาติ ที่คล้ายกัน
หลายขั้นตอนวิธีเมต้า วริสติคพื้นฐานอื่น ๆเช่น
GA , ออนไลน์ , de , BF และ ABC นักวิจัยหลายคนได้ทำงาน
ในขั้นตอนวิธีพื้นฐานเหล่านี้ในปีที่ผ่านมาและการพัฒนา
ปรับปรุงรุ่นของพวกเขา เช่น hybridizing
ขั้นตอนวิธีเหล่านี้หรือการเพิ่มผู้ประกอบการค้นหาพิเศษและกลไกการปรับตัว
. ในขณะที่ สปส. เป็นหลัก
ในระดับของขั้นตอนวิธีพื้นฐาน มันสามารถ outperform
หลายขั้นตอนวิธีพื้นฐานอื่น ๆหรือแม้กระทั่งรุ่นปรับปรุงของพวกเขาตามที่ปรากฏในก่อนหน้านี้

ผลการทดลอง นอกจากนี้ สปส. สามารถเป็นจุดเริ่มต้นที่ดีสำหรับการพัฒนา
ครอบครัวของวิธีการเพิ่มประสิทธิภาพการแก้ปัญหาเช่น
ที่มาจากโรงงาน ระบบ หรือ เดนอกจากนี้ สปส. มีมาก
ค้นหาสูงกว่าความสามารถมากกว่าอื่น ๆพื้นฐานขั้นตอนวิธี
เราคาดหวังว่ามีประสิทธิภาพ , วิธีการเพิ่มประสิทธิภาพ
)ได้มา