In this work, we use the constraint

In this work, we use the constraint dominance definition
developed by Deb et al. [5] to modify EMOCA for handling the
constraint on generation capacity. A solution vector x is said to
constraint dominate a solution vector y if any of the following
conditions is true.
 x is feasible by y is not
 x dominates y
 Both x and y are infeasible but x has an
overall lower constraint violation
EMOCA employs a binary tournament selection to generate the
mating population where the fitness of each individual is
computed as the sum of its non-domination rank and diversity
rank. NSGA-II primarily uses non-domination for selection. In
EMOCA, each offspring is compared with one of the parents to
form the new pool considering both domination and crowding
density. There are three possible cases:
Case 1: If the offspring dominates the parent, then the offspring
is added to the new pool.
Case 2: If dominated by the parent and if it has a higher
crowding distance than the parent, then the offspring is added
to the new pool with probability 1-exp(ψ(parent)-ψ(offspring))
where ψ denotes the crowding distance of a solution as defined
in NSGA-II.
Case 3: Otherwise, if the offspring has a higher crowding
distance than the parent, then it is added to the new pool, else
the parent is added to the new pool.
We use two point crossover and the mutation operator results in
randomly swapping the energy schedules of two users. We have
chosen a probability of 0.8 for crossover and 0.2 for mutation.
In our simulations, small variations in these probabilities did
not have a significant impact on the performance of the
algorithm.

ผลลัพธ์ (ไทย) 1:

ในงานนี้ เราใช้คำนิยามการปกครองจำกัดพัฒนาโดย Deb et al. [5] การปรับเปลี่ยน EMOCA สำหรับการจัดการการข้อจำกัดการผลิตรุ่น โซลูชั่นเวกเตอร์ x กล่าวว่าข้อจำกัดครองตัวโซลูชันเวกเตอร์ y ถ้าต่อไปนี้เงื่อนไขเป็นจริง x เป็นไปโดยไม่ได้ yกุมอำนาจ x yทั้ง x และ y เป็น infeasible แต่ x มีการละเมิดข้อจำกัดโดยรวมต่ำกว่าEMOCA ใช้การเลือกไบนารีการแข่งขันเพื่อสร้างความประชากรที่มีการออกกำลังกายของแต่ละพันธุ์คำนวณเป็นผลรวมของอันดับไม่ใช่การปกครองและความหลากหลายของยศ NSGA II ไม่ใช่การปกครองที่ใช้เป็นหลักสำหรับการเลือก ในEMOCA ลูกหลานละจะเปรียบเทียบกับพ่อแม่ที่ต้องการอย่างใดอย่างหนึ่งรูปแบบสระว่ายน้ำใหม่พิจารณาทั้งการปกครอง และเบียดเสียดความหนาแน่น มี 3 กรณีที่เป็นไปได้:กรณีที่ 1: ถ้าลูกหลานกุมอำนาจปกครอง แล้วลูกหลานเพิ่มสระว่ายน้ำใหม่กรณีที่ 2: หากผู้ปกครองครอบงำ และ หากมีสูงขึ้นระยะทางกว่าแม่เบียดเสียด แล้วลูกหลานเพิ่มสระว่ายน้ำใหม่ด้วยน่าเป็น 1-exp(ψ(parent)-ψ(offspring))ที่ψหมายถึงระยะทาง crowding ของโซลูชันตามที่กำหนดไว้ใน NSGA IIกรณีที่ 3: อื่น ๆ ถ้าลูกหลานมีการเบียดเสียดสูงห่างจากกว่าหลัก แล้วเพิ่มสระใหม่ อื่นหลักการเพิ่มสระว่ายน้ำใหม่เราใช้ครอสโอเวอร์สองจุดและผลการดำเนินการกลายพันธุ์ในแบบสุ่มสลับตารางพลังงานของผู้ใช้ที่สอง เรามีเลือกความน่าเป็น 0.8 สำหรับครอสโอเวอร์และ 0.2 สำหรับกลายพันธุ์ในแบบจำลองของเรา ความแตกต่างเหล่านี้น่าจะได้ไม่มีผลกระทบสำคัญในประสิทธิภาพของการอัลกอริทึม

ผลลัพธ์ (ไทย) 2:

ในงานนี้เราใช้คำนิยามข้อ จำกัด การปกครอง
การพัฒนาโดย Deb et al, [5] การปรับเปลี่ยน EMOCA สำหรับการจัดการ
ข้อ จำกัด ในรุ่นความจุ วิธีการแก้ปัญหาเวกเตอร์ x มีการกล่าวถึง
ข้อ จำกัด ครอง Y แก้ปัญหาเวกเตอร์ถ้ามีดังต่อไปนี้
เงื่อนไขเป็นจริง.
 x เป็นไปได้โดย Y ไม่ได้
 x ครอบงำ Y
อุตสาหกรรมทั้ง x และ y เป็นไปไม่ได้ แต่ X มี
โดยรวมลดลงการละเมิดข้อ จำกัด
EMOCA พนักงานเลือกไบนารีการแข่งขันเพื่อสร้าง
ประชากรผสมพันธุ์ที่ออกกำลังกายของแต่ละคนจะถูก
คำนวณเป็นผลรวมของการปกครองที่ไม่ใช่การจัดอันดับและความหลากหลาย
ตำแหน่ง NSGA-II หลักในการใช้ที่ไม่ใช่การปกครองสำหรับการเลือก ใน
EMOCA แต่ละลูกหลานเมื่อเทียบกับหนึ่งในผู้ปกครองที่จะ
รูปแบบสระว่ายน้ำใหม่พิจารณาทั้งการปกครองและความแออัด
หนาแน่น มีสามกรณีที่เป็นไปได้:
กรณีที่ 1: ถ้าลูกหลานปกครองพ่อแม่แล้วลูกหลาน
จะถูกเพิ่มในสระว่ายน้ำใหม่.
กรณีที่ 2: ถ้าครอบงำโดยผู้ปกครองและถ้ามันมีความสูง
ระยะทาง crowding กว่าแม่แล้วลูกหลานคือ เพิ่ม
ไปยังสระว่ายน้ำใหม่ที่มีความน่าจะเป็น 1 exp (ψ (แม่) -ψ (ลูกหลาน))
ที่ψหมายถึงระยะทางความแออัดของการแก้ปัญหาตามที่กำหนดไว้
ใน NSGA-II.
กรณีที่ 3: มิฉะนั้นถ้าลูกหลานมีความแออัดสูง
ระยะทาง กว่าแม่แล้วมันจะถูกเพิ่มในสระว่ายน้ำใหม่อื่น ๆ
ผู้ปกครองจะถูกเพิ่มในสระว่ายน้ำใหม่.
เราใช้สองจุดครอสโอเวอร์และผลประกอบการกลายพันธุ์ใน
การสุ่มสลับตารางการใช้พลังงานของผู้ใช้สองคน เราได้
รับการคัดเลือกน่าจะเป็นของ 0.8 สำหรับครอสโอเวอร์และ 0.2 สำหรับการกลายพันธุ์.
ในการจำลองของเราในรูปแบบขนาดเล็กน่าจะเป็นเหล่านี้ไม่
ได้มีผลกระทบต่อประสิทธิภาพการทำงานของ
อัลกอริทึม

ผลลัพธ์ (ไทย) 3:

ในงานนี้เราจะใช้ข้อจำกัดการปกครอง นิยามพัฒนาโดยเด็บ et al . [ 5 ] การปรับเปลี่ยน emoca การจัดการข้อจำกัดในการผลิตรุ่น โซลูชั่นเวกเตอร์ x ว่าข้อจำกัดครองเวกเตอร์โซลูชั่น Y ถ้าใด ๆของดังต่อไปนี้เงื่อนไขที่เป็นจริง X เป็นไปได้โดย Y ไม่ได้ Y x การควบคุมทั้ง X และ Y มีทำแต่ X มีโดยรวมลดข้อจำกัด การละเมิดemoca ใช้เลือกไบนารีเพื่อสร้างการแข่งขันประชากรที่ฟิตเนสของแต่ละบุคคลก็ผสมพันธุ์คำนวณเป็นผลรวมของไม่ใช่จักรวรรดินิยมอันดับและความหลากหลายอันดับ nsga-ii หลักใช้ไม่มีให้เลือก ในemoca แต่ละลูกเปรียบเทียบกับหนึ่งของพ่อแม่รูปแบบใหม่จากจักรวรรดินิยม และกดดันทั้งสระความหนาแน่น มีอยู่สามกรณีที่เป็นไปได้ :กรณีที่ 1 : ถ้าลูกหลานผู้ปกครองพ่อแม่ แล้วลูกจะถูกเพิ่มไปยังสระว่ายน้ำใหม่กรณีที่ 2 ถ้า dominated โดยผู้ปกครอง และถ้ามันมีสูงเบียด ระยะทาง กว่าพ่อแม่ แล้วลูกหลานจะเพิ่มไปสระใหม่กับความน่าจะเป็น 1-exp ( ψ ( แม่ ) - ψ ( ลูกหลาน )ที่ψหมายถึงการเบียด ระยะห่างของโซลูชั่นตามที่กําหนดใน nsga-ii .กรณีที่ 3 ถ้าลูกหลานได้สูงกว่ากันระยะทางมากกว่าพ่อแม่ แล้วมันเพิ่มพูล ใหม่ อีกผู้ปกครองคือเพิ่มสระว่ายน้ำใหม่เราใช้สองจุดครอสโอเวอร์และผลลัพธ์ในผู้ประกอบการกลายพันธุ์สุ่มสลับพลังงานตารางของผู้ใช้สองคน เรามีเลือกสำหรับครอสโอเวอร์และความน่าจะเป็นของ 0.8 0.2 สำหรับการกลายพันธุ์ในแบบของเรา การเปลี่ยนแปลงขนาดเล็กในความน่าจะเป็นเหล่านี้ทำไม่มีผลกระทบต่อการปฏิบัติงานของขั้นตอนวิธี