Many good evolutionary algorithms h

Many good evolutionary algorithms have been proposed in the
past. However, frequently, the question arises that given a
problem, one is at a loss of which algorithm to choose. In this
paper, we propose a novel algorithm portfolio approach to address
the above problem. A portfolio of evolutionary algorithms is first
formed. Artificial Bee Colony (ABC), Covariance Matrix
Adaptation Evolutionary Strategy (CMA-ES), Composite DE
(CoDE), Particle Swarm Optimization (PSO2011) and Self
adaptive Differential Evolution (SaDE) are chosen as component
algorithms. Each algorithm runs independently with no
information exchange. At any point in time, the algorithm with the
best predicted performance is run for one generation, after which
the performance is predicted again. The best algorithm runs for
the next generation, and the process goes on. In this way,
algorithms switch automatically as a function of the
computational budget. This novel algorithm is named Multiple
Evolutionary Algorithm (MultiEA). Experimental results on the
full set of 25 CEC2005 benchmark functions show that MultiEA
outperforms i) Multialgorithm Genetically Adaptive Method for
Single Objective Optimization (AMALGAM-SO); ii) Populationbased
Algorithm Portfolio (PAP); and iii) a multiple algorithm
approach which chooses an algorithm randomly (RandEA). The
properties of the prediction measures are also studied. The
portfolio approach proposed is generic. It can be applied to
portfolios composed of non-evolutionary algorithms as well.

ผลลัพธ์ (ไทย) 1:

หลายขั้นตอนวิธีการวิวัฒนาการที่ดีได้รับการเสนอในอดีตที่ผ่านมา
แต่บ่อยครั้งคำถามที่เกิดขึ้นที่ได้รับปัญหา
หนึ่งที่สูญเสียซึ่งอัลกอริทึมในการเลือก ในกระดาษ
นี้เรานำเสนออัลกอริทึมแนวทางใหม่พอร์ตโฟลิโอที่อยู่
ปัญหาดังกล่าว ผลงานของอัลกอริทึมวิวัฒนาการเป็นครั้งแรกที่เกิดขึ้น
อาณานิคมผึ้งเทียม (ABC), เมทริกซ์ความแปรปรวนร่วม
ปรับกลยุทธ์วิวัฒนาการ (CMA-e), เดอคอมโพสิต
(รหัส), การเพิ่มประสิทธิภาพของอนุภาคฝูง (pso2011) และตัวเอง
วิวัฒนาการที่แตกต่างกันการปรับตัว (Sade) ได้รับการแต่งตั้งเป็นส่วนประกอบ
อัลกอริทึม แต่ละวิธีทำงานเป็นอิสระโดยไม่มีการแลกเปลี่ยนข้อมูล
ที่จุดในเวลาใด ๆ อัลกอริทึมที่มี
ที่ดีที่สุดที่คาดการณ์ประสิทธิภาพการทำงานจะทำงานสำหรับคนรุ่นหนึ่งหลังจากที่
ประสิทธิภาพเป็นคำทำนายอีกครั้งอัลกอริทึมที่ดีที่สุดสำหรับการทำงาน
รุ่นต่อไปและดำเนินการไปเมื่อ ในลักษณะนี้อัลกอริทึม
สลับโดยอัตโนมัติเป็นหน้าที่ของการคำนวณงบประมาณ
อัลกอริทึมนี้นวนิยายชื่อหลาย
อัลกอริทึมวิวัฒนาการ (multiea) ผลการทดลองเมื่อครบชุด
จาก 25 cec2005 ฟังก์ชั่นมาตรฐานแสดงให้เห็นว่ามีประสิทธิภาพดีกว่า
multiea i) วิธีการปรับตัวทางพันธุกรรมสำหรับ multialgorithm
การเพิ่มประสิทธิภาพวัตถุประสงค์เดียว (รวมกันเพื่อ); ii) populationbased ผลงานอัลกอริทึม
(PAP) และ iii) วิธีการขั้นตอนวิธี
หลายที่เลือกอัลกอริทึมแบบสุ่ม (randea) คุณสมบัติ
จากมาตรการการทำนายมีการศึกษายัง วิธีการลงทุนที่เสนอคือ
ทั่วไป ที่จะสามารถนำไปใช้กับพอร์ตการลงทุน
ประกอบด้วยขั้นตอนวิธีการที่ไม่ได้มีวิวัฒนาการเช่นกัน

ผลลัพธ์ (ไทย) 2:

ในกระบวนวิวัฒนาการดีได้รับการเสนอชื่อในการ
อดีต อย่างไรก็ตาม บ่อย คำถามที่เกิดให้เป็น
ปัญหาคือขาดทุนของอัลกอริทึมที่เลือก ใน
กระดาษ เราเสนอวิธีการผลงานนวนิยายอัลกอริทึมที่อยู่
ปัญหาข้างต้น ผลงานของอัลกอริทึมที่วิวัฒนาการเป็นแรก
เกิดขึ้น ฝูงผึ้งประดิษฐ์ (ABC) เมตริกซ์ความแปรปรวนร่วม
ปรับ กลยุทธ์เชิงวิวัฒนาการ (CMA-ES), คอมโพสิต DE
(CoDE) เพิ่ม ประสิทธิภาพฝูงอนุภาค (PSO2011) และตนเอง
วิวัฒนาการส่วนแบบอะแดปทีฟ (ชา) จะเลือกเป็นส่วนประกอบ
อัลกอริทึมการ แต่ละอัลกอริทึมทำงานโดยอิสระมี
แลกเปลี่ยนข้อมูล ตลอดเวลา อัลกอริทึมด้วย
ส่วนทำนายประสิทธิภาพสำหรับรุ่นหนึ่ง หลังจากที่รัน
ทำนายประสิทธิภาพการทำงานอีก รันขั้นตอนวิธีดีที่สุดสำหรับ
รุ่นต่อไป และกระบวนการไป ด้วยวิธีนี้,
เปลี่ยนอัลกอริทึมเป็นฟังก์ชันของการ
คำนวณงบประมาณ อัลกอริทึมนี้นวนิยายชื่อหลาย
อัลกอริทึมเชิงวิวัฒนาการ (MultiEA) ผลการทดลองใน
ครบชุด 25 CEC2005 มาตรฐานฟังก์ชันแสดงว่า MultiEA
outperforms ฉัน) Multialgorithm แปลงพันธุกรรมเหมาะสมวิธีการ
เพิ่มประสิทธิภาพวัตถุประสงค์เดียว (AMALGAM-อื่น ๆ), ii) Populationbased
อัลกอริทึมผลงาน (PAP); และ iii) อัลกอริทึมหลาย
วิธีการที่เลือกเป็นอัลกอริทึมแบบสุ่ม (RandEA) ใน
ยังได้ศึกษาคุณสมบัติของมาตรการคาดเดา ใน
วิธีการผลงานที่นำเสนอเป็นทั่วไป สามารถใช้กับ
พอร์ตการลงทุนประกอบด้วยไม่ใช่วิวัฒนาการกระบวนการ

ผลลัพธ์ (ไทย) 3:

อัลกอริธึมวิวัฒนาการที่ดีจำนวนมากได้รับการเสนอใน
ที่ผ่านมา แต่ถึงอย่างไรก็ตามคำถามที่คำถามที่เกิดขึ้นได้ให้
ซึ่งจะช่วยแก้ปัญหาที่หนึ่งคือที่สูญเสียการที่อัลกอริธึมในการเลือก ในเอกสารนี้
ซึ่งจะช่วยเราเสนอแนวทางใหม่ที่กลุ่มอัลกอริธึมการแอดเดรสปัญหาข้างต้น
ซึ่งจะช่วยได้ กลุ่ม ผลิตภัณฑ์ ของอัลกอริธึมวิวัฒนาการ
ปั้นเป็นครั้งแรก เทียมผึ้งอาณานิคม( ABC ) covariance Matrix Storage
ตามมาตรฐานวิวัฒนาการการปรับกลยุทธ์( CMA - เอส)คอมโพสิต de
(รหัส)หรือกลุ่มการปรับแต่ง( pso 2011 )และในแบบบริการตัวเอง
แบบปรับได้ที่แตกต่างของ( sade )ได้รับการคัดเลือกเป็นคอมโพเนนต์
อัลกอริธึม อัลกอริธึมแต่ละห้องทำงานโดยอิสระโดยไม่มีการแลกเปลี่ยน
ข้อมูล ที่จุดใดจุดหนึ่งในเวลาอัลกอริธึมที่มี ประสิทธิภาพ การทำงานที่ดีที่สุดคาดว่า
ซึ่งจะช่วยให้มีการเรียกใช้หนึ่งรุ่นหลังซึ่ง
ซึ่งจะช่วยให้การทำงานมีการคาดการณ์ล่วงหน้าว่าอีกครั้งอัลกอริธึมที่ดีที่สุดที่จะทำงานกับคนรุ่นถัดไป
และกระบวนการที่จะสว่างขึ้น ในลักษณะนี้
อัลกอริธึมปิดสวิตช์โดยอัตโนมัติเป็นแบบจำกัดงบประมาณของนวัตกรรม
ซึ่งจะช่วยได้ อัลกอริธึมนิยายเรื่องนี้มีชื่อว่าหลายคน
วิวัฒนาการอัลกอริธึม( multiea ) ผลการทดลองในการใช้งานด้วย
ซึ่งจะช่วยจัดให้บริการอย่างครบครันของ 25 CEC 2005 การวัด ประสิทธิภาพ ที่แสดงให้เห็นว่า multiea
ดีกว่าผม) multialgorithm ยีนแบบปรับได้สำหรับวิธีการ
การปรับแต่งครั้งเดียวมีวัตถุประสงค์(ปรอทผสมกับโลหะอื่นดังนั้น) II ) populationbased
กลุ่มอัลกอริธึม( PAP )และ III )หลายอัลกอริธึม
การที่จะเลือกอัลกอริธึมแบบสุ่ม( randea )
คุณสมบัติของมาตรการการคาดการณ์จะศึกษายัง วิธีการ
กลุ่ม ผลิตภัณฑ์ ที่เสนอเป็น Generic [ทั่วไป สามารถที่จะนำมาใช้กับ
ซึ่งจะช่วยหาช่องทางประกอบด้วยอัลกอริธึมแบบไม่มีวิวัฒนาการเป็นอย่างดี