Yeomans et al. [37] combine a genet

Yeomans et al. [37] combine a genetic algorithm with simulation
to solve the problem of municipal waste flow allocation under
uncertainty, improving the work in Huang et al. [36]. In particular,
each candidate solution of the population set, which contains
uncertain elements such as the quantity of waste generated at
each district, is simulated to be evaluated. Then, based on the
results of the simulation phase, the genetic algorithm allows the
system to evolve toward better solutions, generating a new set of
candidates to be evaluated again by simulation. After termination,
the algorithm provides, in addition to the best solution, a number
of “good” solutions. In this way, the method could be used even for
policy comparisons purposes. The procedure is tested on real data
from the same case study as in Huang et al. [36]. When compared
to the results of such study, the proposed approach is able to
improve over them, with gains ranging from 4% to 6%.

ผลลัพธ์ (ไทย) 1:

Yeomans et al. [37] รวมขั้นตอนวิธีพันธุกรรมกับการจำลองแก้ปัญหากระแสขยะเทศบาลจัดสรรภายใต้ความไม่แน่นอน ปรับปรุงงานในหวง et al. [36] โดยเฉพาะตั้งค่าโซลูชันผู้สมัครแต่ละประชากร ซึ่งประกอบด้วยองค์ประกอบไม่แน่นอนเช่นปริมาณของขยะที่สร้างขึ้นที่แต่ละอำเภอ จำลองให้ประเมิน แล้ว ตามผลลัพธ์ของขั้นตอนการจำลอง ขั้นตอนวิธีพันธุกรรมช่วยให้การระบบสามารถพัฒนาไปสู่โซลูชั่นดี สร้างชุดใหม่ของผู้สมัครจะประเมินอีกครั้ง โดยการจำลอง หลังจากเลิกจ้างอัลกอริทึมการแสดง นอกเหนือจากการแก้ปัญหาที่ดีที่สุด หมายเลขโซลูชั่น "ดี" ด้วยวิธีนี้ วิธีการใช้ได้วัตถุประสงค์เปรียบเทียบนโยบาย ขั้นตอนมีทดสอบกับข้อมูลจริงจากเดียวกันกรณีศึกษาในหวง et al. [36] เมื่อเปรียบเทียบจะสามารถให้ผลการศึกษาดังกล่าว วิธีนำเสนอปรับปรุงเหล่านั้น มีกำไรตั้งแต่ 4% 6%

ผลลัพธ์ (ไทย) 2:

Yeomans et al, [37]
รวมขั้นตอนวิธีพันธุกรรมกับการจำลองในการแก้ปัญหาของการจัดสรรไหลขยะภายใต้ความไม่แน่นอนในการปรับปรุงการทำงานใน
Huang et al, [36] โดยเฉพาะอย่างยิ่งการแก้ปัญหาของผู้สมัครแต่ละคนชุดประชากรซึ่งมีองค์ประกอบที่มีความไม่แน่นอนเช่นปริมาณของเสียที่เกิดขึ้นในแต่ละท้องถิ่นมีการจำลองที่จะประเมิน จากนั้นขึ้นอยู่กับผลของการขั้นตอนการจำลองขั้นตอนวิธีทางพันธุกรรมช่วยให้ระบบที่จะพัฒนาไปสู่การแก้ปัญหาที่ดีกว่าการสร้างชุดใหม่ของผู้สมัครที่จะได้รับการประเมินอีกครั้งโดยการจำลอง หลังจากที่เลิกจ้างขั้นตอนวิธีการให้นอกเหนือไปจากการแก้ปัญหาที่ดีที่สุดจำนวนของการแก้ปัญหาที่"ดี" ด้วยวิธีนี้วิธีการที่สามารถนำมาใช้แม้สำหรับวัตถุประสงค์ในการเปรียบเทียบนโยบาย ขั้นตอนที่มีการทดสอบกับข้อมูลจริงจากกรณีศึกษาเช่นเดียวกับใน Huang et al, [36] เมื่อเปรียบเทียบผลการศึกษาดังกล่าววิธีการที่นำเสนอสามารถที่จะปรับปรุงในช่วงที่พวกเขามีกำไรตั้งแต่4% เป็น 6%

ผลลัพธ์ (ไทย) 3:

ยีโอแมนส์ et al . [ 37 ] รวมขั้นตอนวิธีทางพันธุกรรมกับการจำลอง
เพื่อแก้ปัญหาการไหลของเสียเทศบาลภายใต้
ความไม่แน่นอน ปรับปรุงการทำงานในหวง et al . [ 36 ] โดยโซลูชั่นของประชากร
ผู้สมัครแต่ละชุด ซึ่งประกอบด้วย
องค์ประกอบไม่แน่นอนเช่นปริมาณของของเสียที่เกิดขึ้นในแต่ละเขต )
, ที่จะได้รับการประเมิน จากนั้นขึ้นอยู่กับ
ผลของระยะที่จำลองขั้นตอนวิธีทางพันธุกรรมช่วยให้ระบบที่จะพัฒนาต่อ
โซลูชั่นที่ดี , การสร้างชุดใหม่ของ
ผู้สมัครต้องประเมินอีกครั้ง โดยการจำลองสถานการณ์ หลังจากการเลิกจ้าง
ขั้นตอนวิธีให้นอกเหนือจากโซลูชั่นที่ดีที่สุด หมายเลข
" ดี " โซลูชั่น ในวิธีนี้ วิธีที่สามารถใช้สำหรับ
นโยบายเปรียบเทียบวัตถุประสงค์กระบวนการทดสอบกับข้อมูลจริง
จากกรณีเดียวกันในหวง et al . [ 36 ] เมื่อเปรียบเทียบ
ผลการศึกษาดังกล่าว วิธีการที่เสนอสามารถ
ปรับปรุงมากกว่าพวกเขาด้วยกำไรตั้งแต่ 4% ถึง 6%