2. Algorithm Description The NSGA p

2. Algorithm Description
The NSGA proposed by Srinivas and Deb (1994) is one of the first EAs for MOPs (Srinivas &
Deb, 1994). The main idea of the NSGA is the ranking process executed before the selection
operation. In 2002, Deb et al. proposed a revised version, named NSGA-II, by introducing
fast non-dominated sorting and diversity preservation policies (Deb et al., 2002). Three
features of NSGA-II are summarized as follows:
1) Computational complexity: NSGA-II uses a fast non-dominated sorting approach to
substitute for the original sorting algorithm of NSGA in order to reduce its computational
complexity from O(MP3) to O(MP2), where M is the number of objectives and P is the
population size. This feature makes NSGA-II more efficient than NSGA for large
population cases.
2) Elitism preservation: Replacement-with-elitism methods can monotonously enhance the
solution quality and speed up the performance of GAs significantly (Ghomsheh et al.,
2007). NSGA-II adopts (μ+λ)-evolution strategy to keep elitism solutions and prevent the
loss of good solutions once they are found. Successive population is produced by
selecting μ better solutions from μ parents and λ children.
3) Parameter reduction: Traditional sharing approach is a diversity ensuring mechanism
that can get a wide variety of equivalent solutions in a population. However, a sharing
parameter should be specified to set the sharing extent desired in a problem. Therefore,
NSGA-II defines a density-estimation metric and applies the crowded-comparison
operator with less required parameters to keep diversity between solutions.
In this study, the proposed E-NSGA-II stems from a concept different from traditional
NSGA-II, particularly in terms of the gene-evaluation method. That is, the E-NSGA-II
inherits the advantages of the NSGA-II and emphasizes the development of a new crossover
operator and a modified replacement policy (Lin & Chuang, 2007).

ผลลัพธ์ (ไทย) 1:

2 คำอธิบายของอัลกอริทึม
nsga เสนอโดย Srinivas และ deb (1994) เป็นหนึ่งใน EAS ครั้งแรกสำหรับไม้ถูพื้น (Srinivas &
deb, 1994) แนวคิดหลักของ nsga เป็นกระบวนการดำเนินการก่อนที่การจัดอันดับการดำเนินงาน
เลือก ในปี 2002 deb et al, เสนอฉบับแก้ไขชื่อ nsga-II, โดยการแนะนำ
เรียงลำดับไม่ถูกครอบงำอย่างรวดเร็วและมีนโยบายในการอนุรักษ์ความหลากหลาย (Deb et al. 2002) สาม
คุณสมบัติของ nsga-II สรุปได้ดังนี้:
1) ซับซ้อนของการคำนวณ: nsga-II ใช้วิธีการเรียงลำดับอย่างรวดเร็วที่ไ​​ม่เด่นไปแทน
สำหรับขั้นตอนวิธีการเรียงลำดับเดิมของ nsga เพื่อที่จะลดความซับซ้อนของการคำนวณ
จาก o (MP3) ไป O (MP2) เมื่อ m คือจำนวนของวัตถุประสงค์และ p คือขนาดของประชากร
คุณลักษณะนี้ทำให้ nsga-II มีประสิทธิภาพมากขึ้นกว่า nsga ใหญ่
กรณีประชากร รักษาอภิสิทธิ์
2): วิธีการแทนที่ด้วยอภิสิทธิ์-เบื่อหน่ายสามารถเพิ่มคุณภาพและการแก้ปัญหา
เร่งประสิทธิภาพของก๊าซอย่างมีนัยสำคัญ (ghomsheh, et al, 2007
). nsga-II adopts กลยุทธ์ (λμ) วิวัฒนาการเพื่อให้การแก้ปัญหาอภิสิทธิ์และป้องกันการสูญเสีย
ของการแก้ปัญหาที่ดีเมื่อพวกเขาจะพบว่า ประชากรต่อเนื่องที่ผลิตโดย
การเลือกโซลูชั่นที่ดีจากพ่อแม่μμและλเด็ก ลดพารามิเตอร์
3): วิธีการใช้งานร่วมกันแบบดั้งเดิมคือความหลากหลายสร้างความมั่นใจ
กลไกที่จะได้รับความหลากหลายของโซลูชั่นเทียบเท่าในประชากร แต่พารามิเตอร์
ร่วมกันควรมีการระบุในการกำหนดขอบเขตการใช้ร่วมกันที่ต้องการในปัญหา ดังนั้น
nsga-II กำหนดความหนาแน่นของการประมาณค่าเมตริกและใช้การเปรียบเทียบแออัด
ประกอบกับพารามิเตอร์ที่จำเป็นน้อยลงที่จะให้ความหลากหลายระหว่างการแก้ปัญหา
ในการศึกษาครั้งนี้นำเสนอ e-nsga-II เกิดจากแนวความคิดที่แตกต่างจากแบบดั้งเดิม
nsga-II โดยเฉพาะอย่างยิ่งในแง่ของวิธีการประเมินผลการแสดงออกของยีน นั่นคือ e-nsga-II
สืบทอดข้อดีของ nsga-II และเน้นการพัฒนาของครอสโอเวอร์ใหม่
ประกอบและนโยบายการแทนที่การแก้ไข (LIN &จวง, 2007)

ผลลัพธ์ (ไทย) 2:

2. อธิบายอัลกอริทึม
NSGA ที่เสนอ โดย Srinivas และ Deb (1994) เป็นหนึ่งใน EAs แรกสำหรับ MOPs (Srinivas &
Deb, 1994) ความคิดหลักของ NSGA เป็นการจัดอันดับที่ดำเนินการก่อนการเลือก
ดำเนินการ ใน 2002, Deb et al. เสนอรุ่นที่ปรับปรุง ชื่อ NSGA II โดยการแนะนำ
เร็วไม่ครอบงำการเรียงลำดับและความหลากหลายทางชีวภาพอนุรักษ์นโยบาย (Deb และ al., 2002) 3
คุณลักษณะของ NSGA II สามารถสรุปได้ดังนี้:
1) คำนวณซับซ้อน: NSGA II ใช้ความเร็วไม่ครอบงำเรียงลำดับวิธีการ
แทนเพื่อลดการคำนวณขั้นตอนวิธีการเรียงลำดับเดิมของ NSGA
ความซับซ้อนจาก O(MP3) เพื่อ O(MP2), M คือ จำนวนของวัตถุประสงค์ และ P คือที่
ขนาดประชากร คุณลักษณะนี้ช่วยให้ NSGA II มีประสิทธิภาพมากกว่า NSGA สำหรับใหญ่
กรณีที่ประชากร
2) Elitism อนุรักษ์: monotonously สามารถเพิ่มวิธีการแทนที่ด้วย elitism
แก้ปัญหาคุณภาพ และความเร็วของก๊าซอย่างมีนัยสำคัญ (Ghomsheh et al.,
2007) NSGA II adopts (μλ) -กลยุทธ์วิวัฒนาการ elitism แก้ไข และป้องกัน
สูญเสียโซลูชั่นที่ดีเมื่อพวกเขาอยู่ ต่อประชากรผลิต
เลือกโซลูชั่นดีμμผู้ปกครองและเด็กλ
ลด 3) พารามิเตอร์: วิธีการใช้งานร่วมกันแบบมีหลากหลายมั่นใจกลไก
ที่ได้เทียบเท่าโซลูชั่นที่หลากหลายในประชากรได้ อย่างไรก็ตาม ร่วมกันเป็น
ควรระบุพารามิเตอร์การตั้งค่าขอบเขตร่วมกันในปัญหาที่ต้องการ ดังนั้น,
NSGA II กำหนดการวัดการประเมินความหนาแน่น และใช้การแออัดเปรียบเทียบ
ดำเนินการกับพารามิเตอร์ที่จำเป็นน้อยให้ความหลากหลายระหว่างโซลูชั่น
ในการศึกษานี้ การนำเสนอ E-NSGA-II มาจากแนวคิดที่แตกต่างจากแบบดั้งเดิม
NSGA-II โดยเฉพาะอย่างยิ่งในแง่ของวิธีการประเมินยีน นั่นคือ การ E-NSGA-II
ข้อดีของ NSGA II ที่สืบทอดมา และเน้นการพัฒนาไขว้ใหม่
ดำเนินการและปรับเปลี่ยนนโยบาย (หลิน&ช่วง 2007)

ผลลัพธ์ (ไทย) 3:

2 . อัลกอริธึม nsga คำอธิบาย
ที่เสนอโดย srinivas และหญิงเริ่มเป็นสาว( 1994 )เป็นหนึ่งใน สภาพ แรกสำหรับ Mops . A ( srinivas &
หญิงเริ่มเป็นสาว 1994 ) แนวคิดหลักของ nsga คือกระบวนการการจัดอันดับที่ดำเนินการก่อนการเลือก
การทำงาน ในปี 2002 หญิงเริ่มเป็นสาว et al .เสนอรุ่นใหม่ที่ชื่อว่า nsga - II โดยการแนะนำ
นโยบายการรักษาความหลากหลายและการจัดเรียงข้อมูลได้อย่างรวดเร็วไม่ถูกครอบงำ(หญิงเริ่มเป็นสาว et al . 2002 ) สาม
คุณสมบัติของ nsga - II สรุปได้ดังนี้:
1 )นวัตกรรมความซับซ้อน: nsga - II จะใช้ได้อย่างรวดเร็วไม่ถูกครอบงำการเรียงลำดับการใช้
แทนสำหรับที่เดิมการเรียงลำดับอัลกอริธึมของ nsga เพื่อเป็นการลดความซับซ้อนของนวัตกรรม
o ( MP 3 )ไปที่ตำแหน่ง O ( mp 2 )สถานที่ซึ่งม.เป็นจำนวนและวัตถุประสงค์ของ P เป็นที่
ประชากรขนาด. คุณสมบัตินี้ทำให้ nsga - II มี ประสิทธิภาพ มากกว่า nsga สำหรับขนาดใหญ่
กรณีประชากร.
2 )การรักษา elitism วิธีใดวิธีหนึ่งการเปลี่ยน - พร้อมด้วย - elitism สามารถซ้ำกันยกระดับ คุณภาพ
โซลูชันที่เพิ่มความเร็วและ ประสิทธิภาพ การทำงานของก๊าซอย่างเห็นได้ชัด( ghomsheh et al .
2007 ) nsga - II ใช้กลยุทธ์(μλ) - จะทำให้โซลูชัน elitism และป้องกันไม่ให้
การสูญเสียของโซลูชันที่ดีเมื่อพวกเขาถูกพบว่า ประชากรอย่างต่อเนื่องจะได้รับการผลิตขึ้นโดย
การเลือกโซลูชันμดีขึ้นจากμคุณพ่อคุณแม่และเด็กΛ
3 )ค่าพารามิเตอร์การลดการใช้งานร่วมกันแบบดั้งเดิมมีกลไกการตรวจสอบให้แน่ใจว่าความหลากหลายที่
ซึ่งจะได้รับทางเลือกที่หลากหลายของโซลูชันแบบเดียวกันในประชากร แต่ถึงอย่างไรก็ตามการใช้งานร่วมกัน
พารามิเตอร์ตัวหนึ่งซึ่งควรจะเป็นที่ระบุไว้ในการตั้งค่าระดับการใช้งานร่วมกันที่ต้องการในการแก้ปัญหาได้ ดังนั้น
nsga - II กำหนดความหนาแน่น - กะที่ระบบเมตริกและจะใช้ผู้ให้บริการชุมชน - การเปรียบเทียบ
ที่มีพารามิเตอร์ไม่จำเป็นต้องรักษาความหลากหลายระหว่างโซลูชัน
ในการศึกษานี้เสนอ e - nsga - II ที่ต้นออกจากแนวความคิดที่แตกต่างจากแบบดั้งเดิม
nsga - II โดยเฉพาะอย่างยิ่งในเรื่องของวิธีการยีน - การประเมินผล ที่อยู่อี - nsga - II
ได้รับประโยชน์ของ nsga - II และเน้นการพัฒนานโยบายของครอสโอเวอร์
ผู้ให้บริการและการเปลี่ยนที่ปรับใหม่( LIN &ช่วง 2007 )