Zhu, Crainic, and Gendreau (2011) c

Zhu, Crainic, and Gendreau (2011) compare the performance of
their hybrid algorithm with a state-of-the-art solver for small to
medium sizes of a randomly generated data set. They show that
their algorithm outperforms in computational time and even solution
quality when instance size grows. For instance, the combination
of slope scaling and long-term memory-based perturbation
achieves on average 21% improvement in solution gap in 10 hours
compared to the solver. Inclusion of ellipsoidal search even im-
proves the solution gap by 2% more. For small instance, this hybrid
algorithm finds the optimal solution of 5 out of 7 instances and
reaches a gap of 0.13% for the others.

ผลลัพธ์ (ไทย) 1:

zhu, crainic และ gendreau (2011) เปรียบเทียบประสิทธิภาพการทำงานของอัลกอริธึ
ลูกผสมของพวกเขาด้วยการแก้รัฐของศิลปะสำหรับขนาดเล็กและขนาดกลาง
ของชุดข้อมูลที่สร้างแบบสุ่ม พวกเขาแสดงให้เห็นว่าขั้นตอนวิธีการของพวกเขา
มีประสิทธิภาพดีกว่าในการคำนวณเวลาและแม้กระทั่งการแก้ปัญหาที่มีคุณภาพ
เมื่อขนาดตัวอย่างเติบโต ตัวอย่างเช่นการรวมกันของการปรับ
ลาดและก่อกวนหน่วยความจำที่ใช้ในระยะยาว
ประสบความสำเร็จในการปรับปรุงเฉลี่ย 21% ในช่องว่างในการแก้ปัญหา 10 ชั่วโมง
เมื่อเทียบกับการแก้ การรวมของการค้นหารูปวงรีแม้ im-
พิสูจน์การแก้ปัญหาช่องว่าง 2% มากขึ้น เช่นขนาดเล็กไฮบริดนี้
ขั้นตอนวิธีการหาทางออกที่ดีที่สุดจาก 5 จาก 7 กรณีและ
ถึงช่องว่างของ 0.13% สำหรับคนอื่น ๆ

ผลลัพธ์ (ไทย) 2:

ซู Crainic และ Gendreau (2011) เปรียบเทียบประสิทธิภาพของ
อัลกอริทึมการผสมกับโปรแกรมแก้ปัญหารัฐ-of-the-art สำหรับขนาดเล็ก
ขนาดกลางของชุดข้อมูลขึ้นแบบสุ่ม พวกเขาแสดงที่
outperforms อัลกอริทึมการคำนวณเวลาและโซลูชันแม้
คุณภาพเมื่อขนาดตัวอย่างขึ้น ตัวอย่าง ชุด
ปรับความชันและระยะยาวโดยใช้หน่วยความจำ perturbation
ได้รับโดยเฉลี่ย 21% การปรับปรุงในช่องว่างของโซลูชันใน 10 ชั่วโมง
เมื่อเทียบกับโปรแกรมที่แก้ปัญหา รวม ellipsoidal ค้นแม้ im-
พิสูจน์แก้ปัญหาช่องว่างเพิ่มเติม 2% สำหรับอินสแตนซ์เล็ก ไฮบรินี้
อัลกอริทึมค้นหาโซลูชันดีที่สุดของอินสแตนซ์ที่ 5 ของ 7 และ
ถึง 0.13% ช่องว่างสำหรับคนอื่น

ผลลัพธ์ (ไทย) 3:

Zhu Asian crainic และ gendreau ( 2011 )เปรียบเทียบ ประสิทธิภาพ ของ
ของพวกเขาอัลกอริธึมไฮบริดที่พร้อมด้วยนักในแบบที่ทันสมัยสำหรับทุกขนาดขนาดเล็กไปจนถึงขนาดกลางของข้อมูล
ซึ่งจะช่วยสร้างแบบสุ่มที่ตั้งค่า เพราะแสดงให้เห็นว่า
อัลกอริธึมของพวกเขาดีกว่าในเวลาและนวัตกรรมได้โซลูชัน
คุณภาพ เมื่อมีขนาดเติบโตขึ้นยกตัวอย่างเช่น ตัวอย่างเช่น
ซึ่งจะช่วยให้การผสมผสานของความลาดชันทำให้กระวนกระวายหน่วยความจำและการปรับขยายระยะยาว - ใช้
บรรลุผลสำเร็จในการปรับปรุงโดยเฉลี่ย 21% ในช่องว่างโซลูชันใน 10 ชั่วโมง
เมื่อเทียบกับนักแก้ปัญหานี้ได้ การรวมของการค้นหา ellipsoidal แม้จะไม่มี
พิสูจน์ได้ลดช่องว่างด้านโซลูชันโดย 2% มากขึ้น ตัวอย่างเช่น
ซึ่งจะช่วยขนาดเล็กระบบไฮบริดอัลกอริธึมแห่งนี้พบว่าโซลูชันที่ดีที่สุดของ 5 ออกมาจาก 7 กรณีและ
ซึ่งจะช่วยลดช่องว่างระหว่างมาถึงที่ 0.13% สำหรับคนอื่นๆได้