FIGURE 1.2 Classical optimization m

FIGURE 1.2 Classical optimization models. The different classes are possibly overlapping.
where x is a vector of continuous decision variables, and c and b (resp. A) are constant
vectors (resp. matrix) of coefficients.
In a linear programming optimization problem, both the objective function c · x to
be optimized and the constraints A · x ≤ b are linear functions. Linear programming
is one of the most satisfactory models of solving optimization problems5. Indeed,
for continuous linear optimization problems6, efficient exact algorithms such as the
simplex-type method [174] or interior point methods exist [444]. The efficiency of
the algorithms is due to the fact that the feasible region of the problem is a convex set
and the objective function is a convex function. Then, the global optimum solution
is necessarily a node of the polytope representing the feasible region (see Fig. 1.3).
Moreover, any local optima7 solution is a global optimum. In general, there is no
reason to use metaheuristics to solve LP continuous problems.

ผลลัพธ์ (ไทย) 1:

รูป 1.2 เพิ่มประสิทธิภาพคลาสสิกรุ่น เรียนแตกต่างกันอาจจะซ้อนโดยที่ x คือ เวกเตอร์ของตัว แปรตัดสินใจอย่างต่อเนื่อง และ c และ b (ชอบ A) มีค่าคงเวกเตอร์ (ชอบเมทริกซ์) ของสัมประสิทธิ์เส้นเขียนโปรแกรมเพิ่มประสิทธิภาพของปัญหา วัตถุประสงค์ทั้งสองทำงาน c · x ที่เพิ่มประสิทธิภาพ และฟิลด์จำกัด A x ≤ b เป็นฟังก์ชันเชิงเส้น โปรแกรมเชิงเส้นเป็นรุ่นน่าพอใจมากที่สุดการแก้ problems5 เพิ่มประสิทธิภาพอย่างใดอย่างหนึ่ง แน่นอนสำหรับการเพิ่มประสิทธิภาพเชิงเส้นต่อเนื่อง problems6 อัลกอริทึมมีประสิทธิภาพที่แน่นอนเช่นการมีวิธี simplex ชนิด [174] หรือวิธีจุดภายใน [444] ประสิทธิภาพของอัลกอริทึมเป็นเพราะข้อเท็จจริงที่ว่าภูมิภาคเป็นไปได้ของปัญหาคือ ชุดนูนและฟังก์ชั่นวัตถุประสงค์คือ ฟังก์ชันนูน แล้ว วิทยุสื่อทั่วโลกคือจำเป็นต้องโหนของ polytope แทนภูมิภาคเป็นไปได้ (ดูรูปที่ 1.3)นอกจากนี้ optima7 ท้องถิ่นออกเป็นสูงสุดในโลก ทั่วไป มีไม่มีเหตุผลการใช้ metaheuristics ในการแก้ปัญหา LP ต่อเนื่อง

ผลลัพธ์ (ไทย) 2:

รูปที่ 1.2 การเพิ่มประสิทธิภาพรุ่นคลาสสิก เรียนที่แตกต่างกันอาจจะเป็นที่ทับซ้อนกัน.
ที่ x เป็นเวกเตอร์ของตัวแปรการตัดสินใจอย่างต่อเนื่องและ C และ B (resp.) จะคง
เวกเตอร์ (resp. เมทริกซ์) ของสัมประสิทธิ์.
ในปัญหาการเพิ่มประสิทธิภาพการเขียนโปรแกรมเชิงเส้นทั้งฟังก์ชั่นวัตถุประสงค์ C · x เพื่อ
เพิ่มประสิทธิภาพและข้อ จำกัด · x ≤ b เป็นฟังก์ชั่นการเชิงเส้น การเขียนโปรแกรมเชิงเส้น
เป็นหนึ่งในรุ่นที่น่าพอใจมากที่สุดของการแก้การเพิ่มประสิทธิภาพ problems5 อันที่จริง
อย่างต่อเนื่อง problems6 เพิ่มประสิทธิภาพเชิงเส้นที่มีประสิทธิภาพขั้นตอนวิธีการที่แน่นอนเช่น
เริมชนิดวิธี [174] หรือวิธีการจุดภายในอยู่ [444] ประสิทธิภาพของ
อัลกอริทึมเป็นเพราะความจริงที่ว่าในภูมิภาคเป็นไปได้ของปัญหาคือชุดนูน
และฟังก์ชันวัตถุประสงค์เป็นหน้าที่นูน แล้ววิธีการแก้ปัญหาที่ดีที่สุดทั่วโลก
จำเป็นต้องโหนดของ polytope ที่เป็นตัวแทนของภูมิภาคเป็นไปได้ (ดูรูป. 1.3).
นอกจากนี้ยังมีวิธีการแก้ปัญหาใด ๆ optima7 ท้องถิ่นเป็นที่ดีที่สุดทั่วโลก โดยทั่วไปไม่มี
เหตุผลที่จะใช้ metaheuristics ในการแก้ปัญหาที่เกิดขึ้นอย่างต่อเนื่องแผ่นเสียง