In the rolling horizon problems, wh

In the rolling horizon problems, while these still did well, they could not maintain their dominance.
Many of the other algorithms provided better results on some of the problems.
The difference between the four Urban’s method based algorithms was not large.
At the same time the algorithms that did poorly in the large fixed period problems appear to do even worse on the rolling horizon problems.
These were the DP based algorithms that did not have the ability to self-adjust to the changing data.
This underlines the importance of using algorithms that have some self-adjusting capability when rolling horizons are considered.
Also our experiments demonstrate the importance of developing quick and effective heuristics for the dynamic layout problem under rolling horizons since it appears that no one algorithm is able to do well in all situations.
Thus we cannot rely on one algorithm to consistently give good results.

ผลลัพธ์ (ไทย) 1:

ในปัญหาขอบฟ้ากลิ้ง ในขณะที่เหล่านี้ยังคงไม่ดี พวกเขาสามารถรักษาการปกครองของพวกเขา หลายอัลกอริทึมอื่น ๆ สามารถให้ผลลัพธ์ที่ดีกว่าในบางปัญหา ความแตกต่างระหว่างอัลกอริทึมวิธีพื้นฐานของเมืองสี่ไม่ใหญ่ ในเวลาเดียวกัน อัลกอริทึมที่ไม่ดีในปัญหาระยะเวลาขนาดใหญ่คงจะ ทำยิ่งแย่ลงบนขอบฟ้าปัญหากลิ้ง อัลกอริทึม DP คะแนนที่ไม่มีความสามารถในการปรับตัวเองเพื่อการเปลี่ยนแปลงข้อมูล เหล่านี้ได้ นี้ขีดเส้นใต้ความสำคัญของการใช้อัลกอริทึมที่มีบางอย่างสามารถปรับตัวเองเมื่อฟ้ากลิ้งจะถือว่า นอกจากนี้ การทดลองของเราแสดงให้เห็นถึงความสำคัญของการพัฒนารุกอย่างรวดเร็ว และมีประสิทธิภาพสำหรับปัญหาเค้าโครงแบบไดนามิกภายใต้กลิ้งขอบเขตเนื่องจากปรากฏว่าไม่มีใครที่อัลกอริทึมจะทำดีในทุกสถานการณ์ ดังนั้น เราไม่สามารถพึ่งหนึ่งอัลกอริทึมเพื่อให้ผลลัพธ์ที่ดีอย่างสม่ำเสมอ

ผลลัพธ์ (ไทย) 2:

ในปัญหาขอบฟ้ากลิ้งในขณะที่เหล่านี้ยังคงได้เป็นอย่างดีพวกเขาไม่สามารถรักษาอำนาจของพวกเขา.
หลายขั้นตอนวิธีการอื่น ๆ ผลลัพธ์ที่ดีกว่าในบางส่วนของปัญหาที่เกิดขึ้น.
ความแตกต่างระหว่างสี่เมืองของขั้นตอนวิธีการตามวิธีการที่ไม่ได้มีขนาดใหญ่.
ในเวลาเดียวกัน ขั้นตอนวิธีการที่ไม่ได้ไม่ดีในที่มีขนาดใหญ่ปัญหาระยะเวลาคงที่ปรากฏจะทำยิ่งแย่ลงในปัญหาขอบฟ้าโรลลิ่งส.
เหล่านี้เป็นขั้นตอนวิธีการ DP ตามที่ไม่ได้มีความสามารถในการปรับตัวเองกับข้อมูลการเปลี่ยนแปลง.
นี้เน้นความสำคัญของการใช้อัลกอริทึม ที่มีบางความสามารถในการปรับตัวเองเมื่อโพ้นกลิ้งได้รับการพิจารณา.
นอกจากนี้ยังมีการทดลองของเราแสดงให้เห็นถึงความสำคัญของการพัฒนาวิเคราะห์พฤติกรรมอย่างรวดเร็วและมีประสิทธิภาพสำหรับปัญหาการจัดวางแบบไดนามิกภายใต้กลิ้งอันไกลโพ้นตั้งแต่ปรากฏว่าไม่มีใครอัลกอริทึมสามารถที่จะทำดีในทุกสถานการณ์.
ดังนั้น เราไม่สามารถพึ่งพาขั้นตอนวิธีการหนึ่งที่จะต่อเนื่องให้ผลดี