Adding the constant  > 0to the reg

Adding the constant  > 0
to the regret value assures that the selection probability for each activity in the
decision set is greater than zero and thus every schedule of the population can
be generated. With the choice of the parameter  the amount of bias can be
controlled. A high  will cause no bias and thus deterministic activity selection
while an  of zero will cause maximum bias and hence random activity selection.
Kolisch (1995) found out that, in general,  =  = 1 will provide good
results. Drexl (1991) uses  = mini2Dg v(i). Schirmer and Riesenberg (1997)
propose a modied regret based biased random sampling (MRBRS) where 
is determined dynamically. Experimental comparisons performed by Kolisch
(1995) as well as Schirmer and Riesenberg (1997) revealed (modied) regret
based biased random sampling as the best sampling approach.

ผลลัพธ์ (ไทย) 1:

เพิ่มคง > 0การริเกร็ต ค่ามั่นใจที่น่าเป็นตัวเลือกสำหรับแต่ละกิจกรรมในการตัดสินใจไว้มากกว่าศูนย์ และสามารถกำหนดการทุกประชากรจึงสามารถสร้าง เลือกพารามิเตอร์ เป็นยอดของความโน้มเอียงควบคุม สูงจะทำให้ไม่มีอคติ และการเลือกกิจกรรม deterministicขณะที่ศูนย์จะทำให้เกิดความโน้มเอียงสูงสุดและกิจกรรมจึงสุ่มเลือกKolisch (1995) พบว่า ทั่วไป == 1 จะให้ดีผลลัพธ์ที่ ใช้ Drexl (1991) = mini2Dg v(i) Schirmer และ Riesenberg (1997)เสนอ modi ed เสียใจที่ตามภาพสุ่มตัวอย่างแบบสุ่ม (MRBRS) ที่กำหนดแบบไดนามิก เปรียบเทียบทดลองที่ดำเนินการ โดย Kolisch(1995) Schirmer และ Riesenberg (1997) ที่เปิดเผย (modi ed) เสียใจการสุ่มตัวอย่างแบบสุ่ม biased เป็นวิธีการสุ่มตัวอย่างที่ดีที่สุด

ผลลัพธ์ (ไทย) 2:

เพิ่มอย่างต่อเนื่อง? > 0
ถึงค่าความเสียใจมั่นใจว่าน่าจะเป็นตัวเลือกสำหรับกิจกรรมในแต่ละ
ชุดการตัดสินใจมากกว่าศูนย์และทำให้ตารางเวลาของประชากรทุกคนสามารถ
สร้างขึ้น กับทางเลือกของพารามิเตอร์? ปริมาณของอคติที่สามารถ
ควบคุม สูง? จะทำให้เกิดความไม่มีอคติและการเลือกกิจกรรมที่กำหนดดังนั้น
ในขณะที่? ศูนย์จะทำให้เกิดอคติสูงสุดและการเลือกกิจกรรมสุ่มด้วยเหตุนี้.
Kolisch (1995) พบว่าโดยทั่วไป? =? 1 = จะให้ดี
ผล Drexl (1991) ใช้? = mini2Dg โวลต์ (i) Schirmer และ Riesenberg (1997)
เสนอความเสียใจเอ็ด Modi ตามสุ่มตัวอย่างลำเอียง (MRBRS) ที่ไหน
จะถูกกำหนดแบบไดนามิก การเปรียบเทียบการทดลองดำเนินการโดย Kolisch
(1995) เช่นเดียวกับ Schirmer และ Riesenberg (1997) เปิดเผย (Modi เอ็ด) เสียใจ
ที่ใช้การสุ่มแบบลำเอียงเป็นวิธีการสุ่มตัวอย่างที่ดีที่สุด

ผลลัพธ์ (ไทย) 3:

เพิ่มคงที่  > 0
ค่าเสียใจมั่นใจว่าน่าจะเป็นการเลือกสำหรับแต่ละกิจกรรมใน
ตัดสินใจชุดมากกว่าศูนย์ และดังนั้น ทุกตารางของประชากรสามารถ
ถูกสร้างขึ้น กับทางเลือกของพารามิเตอร์  จํานวนของอคติสามารถ
ควบคุม  สูงจะไม่เกิดอคติ และจึงเลือกตามกําหนดกิจกรรม
ในขณะที่  ของศูนย์จะก่อให้เกิดอคติสูงสุดและด้วยเหตุนี้กิจกรรมสุ่มเลือก .
kolisch ( 2538 ) พบว่าโดยทั่วไป  =  = 1 จะให้ผลลัพธ์ที่ดี

drexl ( 1991 ) ใช้  = mini2dg V ( I ) เชอร์เมอร์ และ riesenberg ( 1997 )
ขอโมดิ  เอ็ดเสียใจตามลำเอียงการสุ่มตัวอย่าง ( mrbrs ) ที่ 
ถูกกำหนดแบบไดนามิก การทดลองเปรียบเทียบ kolisch
โดย( 1995 ) และเช่นเดียวกับเชอร์เมอร์ riesenberg ( 1997 ) เปิดเผย ( โมดิ  เอ็ด ) เสียใจ
ลำเอียงการสุ่มตัวอย่างจากที่สุดเพื่อวิธีการ