The norm E has to be minimized from

The norm E has to be minimized from the point
of view of the definition of the optimization problem:
the objective function is E and the design variables
are related to the ordering in the sampling
scheme (Table 1). It is well known that the deterministic
optimization techniques and the simple stochastic
optimization approaches can very often fail
to find the global minimum. Such a technique fails
in some local minimum and then there is no chance
to escape from it and to find the global minimum. It
can be intuitively predicted that in our problem we
are definitely facing the problem with a multiple local
minima. Therefore we need to use the stochastic
optimization method which works with some probability
of escaping from the local minimum. The
simplest form is the two-member evolution strategy
which works in two steps: Mutation and selection.

ผลลัพธ์ (ไทย) 1:

ปกติอีได้ถูกย่อให้เล็กสุดจากจุดมุมมองของคำจำกัดความของปัญหาเพิ่มประสิทธิภาพ:ฟังก์ชั่นวัตถุประสงค์คือ E และตัวแปรการออกแบบเกี่ยวข้องกับลำดับในการสุ่มตัวอย่างชุดรูปแบบ (ตารางที่ 1) มันเป็นที่รู้จักที่แบบ deterministicเทคนิคการปรับให้เหมาะสมและเรียบง่ายแบบเฟ้นสุ่มแนวทางเพิ่มประสิทธิภาพสามารถล้มเหลวบ่อยในการค้นหาต่ำทั่วโลก เทคนิคดังกล่าวล้มเหลวในบางท้องถิ่นต่ำสุด และมีแล้วจะไม่มีโอกาสหนีมัน แล้วหาต่ำทั่วโลก มันสามารถคาดการณ์ได้สังหรณ์ใจว่าปัญหาของเรากำลังเผชิญกับปัญหาของท้องถิ่นหลายแน่นอนกมินิมา ดังนั้น เราจำเป็นต้องใช้แบบสโทแคสติกวิธีการเพิ่มประสิทธิภาพซึ่งทำงาน ด้วยความบางหลบหนีจากต่ำสุดในท้องถิ่น ที่แบบฟอร์มที่ง่ายที่สุดคือ กลยุทธ์วิวัฒนาการสองสมาชิกที่ทำงานในขั้นตอนที่สอง: การเลือกและการกลายพันธุ์

ผลลัพธ์ (ไทย) 2:

E
ปกติจะต้องมีการลดลงจากจุดของมุมมองของความหมายของปัญหาการเพิ่มประสิทธิภาพ:
ฟังก์ชั่นวัตถุประสงค์คือ E
และตัวแปรการออกแบบที่เกี่ยวข้องกับการสั่งซื้อในการสุ่มตัวอย่างที่โครงการ
(ตารางที่ 1) เป็นที่ทราบกันดีว่ากำหนดเทคนิคการเพิ่มประสิทธิภาพและสุ่มอย่างง่ายวิธีการเพิ่มประสิทธิภาพมากมักจะไม่สามารถที่จะหาขั้นต่ำทั่วโลก เทคนิคการดังกล่าวล้มเหลวในบางประเทศและต่ำสุดแล้วมีโอกาสที่จะหนีออกจากมันและหาต่ำสุดระดับโลก มันสามารถทำนายได้อย่างสังหรณ์ใจว่าในปัญหาที่เรากำลังเผชิญปัญหาแน่นอนที่มีหลายท้องถิ่นน้อย ดังนั้นเราจึงจำเป็นต้องใช้สุ่มวิธีการเพิ่มประสิทธิภาพที่ทำงานร่วมกับความน่าจะเป็นบางส่วนของหนีออกมาจากขั้นต่ำในท้องถิ่น รูปแบบที่ง่ายเป็นกลยุทธ์วิวัฒนาการสองสมาชิกที่ทำงานในขั้นตอนที่สอง: กลายพันธุ์และการเลือก

ผลลัพธ์ (ไทย) 3:

ปกติ E ต้องลดจากจุดของมุมมองของ
ความหมายของการเพิ่มประสิทธิภาพของปัญหา :
ฟังก์ชันวัตถุประสงค์คือ E และการออกแบบตัวแปร
เกี่ยวข้องกับการสั่งซื้อในการสุ่มตัวอย่าง
โครงการ ( ตารางที่ 1 ) มันเป็นที่รู้จักกันดีว่าเทคนิคการเพิ่มประสิทธิภาพเชิงกำหนดและสุ่มอย่างง่าย

วิธีสามารถเพิ่มประสิทธิภาพมากมักจะล้มเหลว
หาขั้นโลกเทคนิคดังกล่าวล้มเหลวในบางท้องถิ่นต่ำสุดแล้ว

ไม่มีโอกาสที่จะหนีจากมัน และพบน้อยที่สุด ) มันสามารถหยั่งรู้ทำนายว่า

มีปัญหาของเราเราต้องเผชิญปัญหากับหลายท้องถิ่น
ไม่นี่ ม๊า . ดังนั้นเราจึงต้องใช้วิธี Stochastic
optimization ซึ่งทำงานกับความน่าจะเป็น
หนีจากขั้นต่ำในท้องถิ่น
แบบฟอร์มที่ง่ายที่สุดคือสองสมาชิกวิวัฒนาการกลยุทธ์
ซึ่งทำงานในสองขั้นตอน : การกลายพันธุ์และการคัดเลือก