Metaheuristic algorithms have prove

Metaheuristic algorithms have proved to be good solvers for the traveling salesman problem (TSP). All metaheuristics usually encounter problems on which they perform poorly so the programmer must gain experience on which optimizers work well in different classes of problems. However due to the unique functionality of each type of meta-heuristic, comparison of metaheuristics is in many ways more difficult than other algorithmic comparisons. In this paper, solution to the traveling salesman problem was implemented using genetic algorithm and simulated annealing. These algorithms were compared based on performance and results using several benchmarks. It was observed that Simulated Annealing runs faster than Genetic Algorithm and runtime of Genetic Algorithm increases exponentially with number of cities. However, in terms of solution quality Genetic Algorithm is better than Simulated Annealing.

ผลลัพธ์ (ไทย) 1:

อัลกอริทึม metaheuristic ได้พิสูจน์ให้เป็นที่กระฉับกระเฉงดีแก้ปัญหาขาย traveling (ช้อนชา) Metaheuristics ทั้งหมดมักจะพบปัญหาที่พวกเขาทำงานเพื่อให้โปรแกรมเมอร์ที่ต้องได้รับประสบการณ์ที่เพิ่มประสิทธิภาพการทำงานในประเภทต่าง ๆ ของปัญหา อย่างไรก็ ตามเนื่องจากการทำงานเฉพาะของแต่ละชนิดแล้ว meta- เปรียบเทียบ metaheuristics ได้ในหลายวิธีที่ยากขึ้นกว่าเปรียบเทียบอื่น ๆ algorithmic ในเอกสารนี้ แก้ไขปัญหา traveling ขายถูกดำเนินโดยใช้อัลกอริทึมทางพันธุกรรมและการจำลองการอบเหนียว อัลกอริทึมเหล่านี้ได้เปรียบเทียบประสิทธิภาพและผลโดยใช้เกณฑ์มาตรฐานต่าง ๆ จะถูกตรวจสอบว่า จำลองการอบเหนียวทำงานเร็วกว่าอัลกอริทึมทางพันธุกรรม และรันไทม์ของขั้นตอนวิธีพันธุกรรมเพิ่มขึ้นเป็นทวีคูณเมื่อ มีเมือง อย่างไรก็ตาม ในโซลูชั่นคุณภาพ ขั้นตอนวิธีพันธุกรรมได้ดีกว่าจำลองการอบเหนียว

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีการ Metaheuristic ได้พิสูจน์ให้เป็นที่ดีสำหรับการแก้ปัญหาพนักงานขายที่เดินทาง (TSP) metaheuristics ทั้งหมดมักจะพบปัญหาที่พวกเขาทำงานได้ไม่ดีดังนั้นโปรแกรมเมอร์จะต้องได้รับประสบการณ์ที่เพิ่มประสิทธิภาพการทำงานได้ดีในชั้นเรียนที่แตกต่างกันของปัญหา แต่เนื่องจากการที่ฟังก์ชั่นที่ไม่ซ้ำกันในแต่ละประเภทของเมตาแก้ปัญหาการเปรียบเทียบ metaheuristics อยู่ในหลายวิธีที่ยากกว่าการเปรียบเทียบขั้นตอนอื่น ๆ ในบทความนี้วิธีการแก้ปัญหาการเดินทางของพนักงานขายได้รับการดำเนินการโดยใช้ขั้นตอนวิธีทางพันธุกรรมและการอบจำลอง ขั้นตอนวิธีการเหล่านี้ถูกเมื่อเทียบกับขึ้นอยู่กับประสิทธิภาพและผลการใช้หลายมาตรฐาน มันถูกตั้งข้อสังเกตว่าการหลอมจำลองทำงานได้เร็วขึ้นกว่าพันธุกรรมและรันไทม์ของพันธุกรรมเพิ่มขึ้นชี้แจงกับจำนวนของเมือง อย่างไรก็ตามในแง่ของคุณภาพการแก้ปัญหาทางพันธุกรรมขั้นตอนวิธีที่ดีกว่าการหลอมจำลอง

ผลลัพธ์ (ไทย) 3:

ขั้นตอนวิธีเมต้า วริสติคได้พิสูจน์แล้วว่าเป็น ดี แก้สำหรับการเดินทางปัญหาพนักงานขาย ( TSP ) เมตาฮิวริ ิกมักจะพบปัญหาทั้งหมดที่พวกเขาดำเนินการได้ไม่ดีดังนั้น โปรแกรมเมอร์จะต้องได้รับประสบการณ์ที่ optimizers ทำงานได้ดีในชั้นเรียนที่แตกต่างกันของปัญหา อย่างไรก็ตาม เนื่องจากการทำงานที่เป็นเอกลักษณ์ของแต่ละประเภทของเมตาแบ่งการเปรียบเทียบเมตาฮิวริ ิกมีหลายวิธีที่ยากกว่าการเปรียบเทียบอัลกอริทึมอื่น ๆ ในกระดาษนี้ วิธีการแก้ปัญหาพนักงานขายเดินทางถูกดำเนินการโดยใช้เจเนติกอัลกอริทึม และการดำรงอยู่ . ขั้นตอนวิธีเหล่านี้เปรียบเทียบประสิทธิภาพและผลลัพธ์ของการใช้มาตรฐานหลายสังเกตได้ว่า การดำรงอยู่ วิ่งเร็วกว่าขั้นตอนวิธีทางพันธุกรรมและรันไทม์ของขั้นตอนวิธีเชิงพันธุกรรมเพิ่มชี้แจง ด้วยหมายเลขของเมือง อย่างไรก็ตาม ในแง่ของการแก้ปัญหาคุณภาพขั้นตอนวิธีทางพันธุกรรมมากกว่าการดำรงอยู่ .