Although proposed for the first tim

Although proposed for the first time a while back [1], genetic algorithms (GA) represent modern optimization
techniques. They are inspired by biological evolution, incorporating and adapting concepts like chromosomes, genes,
natural selection, individual fitness, crossover combination or mutation. The most prominent of the evolutionary
algorithms, genetic algorithms are population-based metaheuristics that use stochastic methods to define random
solutions in the design space and then direct them towards the optimum.
*

ผลลัพธ์ (ไทย) 1:

แม้ว่าการนำเสนอครั้งแรกขณะที่กลับมา [1], อัลกอริทึมทางพันธุกรรม (GA) แสดงถึงประสิทธิภาพสูงสุดทันสมัยเทคนิคการ พวกเขามีแรงบันดาลใจวิวัฒนาการทางชีวภาพ เพจ และปรับแนวคิดเช่น chromosomes ยีนคัดเลือกโดยธรรมชาติ ออกกำลังกายแต่ละ ชุดแบบไขว้ หรือกลายพันธุ์ โดดเด่นที่สุดของการวิวัฒนาการอัลกอริทึม อัลกอริทึมทางพันธุกรรมมีราคา metaheuristics ประชากรตามที่กำหนดแบบสุ่มใช้วิธีแบบเฟ้นสุ่มโซลูชั่นในการออกแบบพื้นที่ และตรงไปทางเหมาะสม*

ผลลัพธ์ (ไทย) 2:

แม้ว่าจะนำเสนอเป็นครั้งแรกในขณะที่กลับมา [1], ขั้นตอนวิธีพันธุกรรม (GA)
เป็นตัวแทนของการเพิ่มประสิทธิภาพที่ทันสมัยเทคนิค
พวกเขาได้รับแรงบันดาลใจจากวิวัฒนาการทางชีววิทยาผสมผสานและปรับแนวคิดเช่นโครโมโซมยีนคัดเลือกโดยธรรมชาติการออกกำลังกายส่วนบุคคลรวมกันครอสโอเวอร์หรือการกลายพันธุ์ ที่โดดเด่นที่สุดของวิวัฒนาการขั้นตอนวิธีการขั้นตอนวิธีพันธุกรรม metaheuristics มีประชากรตามที่ใช้วิธีการสุ่มเพื่อกำหนดแบบสุ่มการแก้ปัญหาในการออกแบบพื้นที่และจากนั้นตรงไปทางที่เหมาะสม. *

ผลลัพธ์ (ไทย) 3:

แม้ว่าการเสนอครั้งแรกในขณะที่กลับ [ 1 ] , ขั้นตอนวิธีเชิงพันธุกรรม ( GA ) เป็นตัวแทนของเทคนิคการเพิ่มประสิทธิภาพ
สมัยใหม่ พวกเขามีแรงบันดาลใจจากวิวัฒนาการทางชีววิทยาผสมผสานและปรับแนวคิด เช่น โครโมโซม ยีน
เลือกธรรมชาติบุคคลฟิตเนส , การรวมกันหรือการกลายพันธุ์ ที่โดดเด่นที่สุดของขั้นตอนวิธีเชิงวิวัฒนาการ
,ขั้นตอนวิธีเชิงพันธุกรรมเป็นเมตาฮิวริ ิก - ตามจำนวนประชากรที่ใช้วิธีการ Stochastic เพื่อกำหนดโซลูชั่นสุ่ม
ในการออกแบบพื้นที่และจากนั้นโดยตรงต่อสภาวะ
* .