Biogeography-based optimization (BB

Biogeography-based optimization (BBO) is an evolutionary algorithm (EA) that optimizes a function by stochastically and iteratively improving candidate solutions with regard to a given measure of quality, or fitness function. BBO belongs to the class of metaheuristics since it includes many variations, and since it does not make any assumptions about the problem and can therefore be applied to a wide class of problems.
BBO is typically used to optimize multidimensional real-valued functions, but it does not use the gradient of the function, which means that it does not require the function to be differentiable as required by classic optimization methods such as gradient descent and quasi-newton methods. BBO can therefore be used on discontinuous functions.
BBO optimizes a problem by maintaining a population of candidate solutions, and creating new candidate solutions by combining existing ones according to a simple formula. In this way the objective function is treated as a black box that merely provides a measure of quality given a candidate solution, and the function's gradient is not needed.
Like many EAs, BBO was motivated by a natural process; in particular, BBO was motivated by biogeography, which is the study of the distribution of biological species through time and space.[1] BBO was originally introduced by Dan Simon

ผลลัพธ์ (ไทย) 1:

การเพิ่มประสิทธิภาพวตาม (BBO) เป็นขั้นตอนวิธีการวิวัฒนาการ (EA) ที่เพิ่มประสิทธิภาพการทำงานโดย stochastically และซ้ำปรับปรุงการแก้ปัญหาของผู้สมัครเกี่ยวกับตัวชี้วัดที่กำหนดคุณภาพหรือฟังก์ชั่นการออกกำลังกายด้วย bbo เป็นของชั้นของ metaheuristics เพราะมันมีหลายรูปแบบและเพราะมันไม่ได้ทำให้สมมติฐานใด ๆ เกี่ยวกับปัญหาและจึงสามารถนำไปใช้กับชั้นกว้างของปัญหา.
bbo มักจะใช้ในการเพิ่มประสิทธิภาพการทำงานจริงมูลค่าหลายมิติ แต่ก็ไม่ได้ใช้การไล่ระดับสีของฟังก์ชั่นที่ซึ่งหมายความว่ามันไม่ได้จำเป็นต้องมีฟังก์ชั่นที่จะอนุพันธ์ตามที่ต้องการโดยวิธีการเพิ่มประสิทธิภาพคลาสสิกเช่นโคตรลาดและวิธีการเสมือนนิวตัน bbo จึงสามารถใช้ในการทำงานไม่ต่อเนื่อง.
bbo เพิ่มประสิทธิภาพการแก้ไขปัญหาโดยการรักษาประชากรของการแก้ปัญหาของผู้สมัครและการสร้างโซลูชันที่ผู้สมัครใหม่โดยการรวมคนที่มีอยู่ตามสูตรง่ายๆในวิธีนี้ฟังก์ชันวัตถุประสงค์จะถือว่าเป็นกล่องสีดำที่เพียง แต่ให้ตัวชี้วัดคุณภาพที่ได้รับการแก้ปัญหาของผู้สมัครและการไล่ระดับฟังก์ชั่นของที่ไม่จำเป็นต้อง
เช่น EAS หลาย bbo ถูกกระตุ้นโดยกระบวนการทางธรรมชาติ. โดยเฉพาะอย่างยิ่ง bbo เป็น แรงบันดาลใจจากวซึ่งคือการศึกษาการกระจายของสายพันธุ์ทางชีวภาพผ่านเวลาและพื้นที่[1] bbo ได้รับการแนะนำมาโดยแดน simon

ผลลัพธ์ (ไทย) 2:

ปรับตาม biogeography (BBO) เป็นขั้นตอนการวิวัฒนาการวิธี (EA) ซึ่งฟังก์ชันเพิ่มประสิทธิภาพ โดยการปรับปรุงแก้ไขผู้สมัครตามที่กำหนดวัดคุณภาพ หรือฟังก์ชันออกกำลังกาย stochastically และซ้ำ ๆ BBO อยู่ชั้น metaheuristics เนื่องจากมีหลายรูปแบบ และเนื่อง จากมันสร้างข้อสันนิษฐานใด ๆ เกี่ยวกับปัญหา และสามารถใช้กับระดับกว้างของปัญหาดังนั้น
BBO โดยปกติจะใช้เพื่อเพิ่มฟังก์ชันค่าจริงหลาย แต่ไม่ได้ใช้การไล่ระดับสีของฟังก์ชัน ซึ่งหมายความ ว่า มันไม่ต้องใช้ฟังก์ชันจะ differentiable ตามวิธีเพิ่มประสิทธิภาพคลาสสิกเช่นโคตรและนิวตัน quasi-วิธีการไล่ระดับสี ดังนั้นจะใช้ BBO ในฟังก์ชันไม่ต่อเนื่องได้
BBO ปรับปัญหารักษาประชากรของผู้โซลูชั่น และสร้างผู้สมัครใหม่โซลูชั่น โดยรวมอยู่ตามสูตรง่าย ๆ ได้ ฟังก์ชันวัตถุประสงค์ถือว่าเป็นกล่องดำที่มีเพียงการวัดคุณภาพที่กำหนดโซลูชันตัวเลือก และฟังก์ชัน ของไล่โทนสีด้วยวิธีนี้ไม่จำเป็น.
เช่นใน EAs, BBO มีแรงจูงใจจากกระบวนการธรรมชาติ โดยเฉพาะอย่างยิ่ง BBO ถูก motivated โดย biogeography ซึ่งเป็นการศึกษาการกระจายพันธุ์ชีวภาพผ่านเวลาและพื้นที่[1] BBO ถูกนำ โดยไซม่อนด่านเดิม

ผลลัพธ์ (ไทย) 3:

การปรับแต่ง ประสิทธิภาพ ชีวโมเลกุล( bbo )เป็นวิวัฒนาการอัลกอริธึม( EA )ที่ช่วยเพิ่ม ประสิทธิภาพ การทำงานโดย stochastically HOMER เพื่อจะได้ไม่เล็กและการปรับปรุงโซลูชันผู้สมัครรับเลือกตั้งด้วยโดยคำนึงถึงมาตรการให้มี คุณภาพ หรือการทำงานฟิตเน็สเซ็นเตอร์ bbo เป็นของ Class ของ metaheuristics นับตั้งแต่มีความหลากหลายมากมายและนับตั้งแต่ที่มันไม่ได้ทำให้สมมุติฐานใดๆเกี่ยวกับปัญหาที่เกิดขึ้นและสามารถนำไปใช้ในการ Class ที่หลากหลายของปัญหาดังนั้น.
bbo จะใช้ในการเพิ่ม ประสิทธิภาพ การทำงานแบบเรียลไทม์มูลค่าประเด็นโดยปกติแล้วแต่ก็ไม่ได้ใช้การไล่ระดับสีที่ใช้งานได้ซึ่งหมายความว่ามันไม่จำเป็นต้องมีฟังก์ชันที่จะ differentiable ตามที่ต้องการโดยวิธีใดวิธีหนึ่งการปรับแต่งแบบคลาสสิกเช่นพันธุ์การไล่ระดับสีและวิธีการเสมือน - นิวตัน bbo สามารถใช้ได้กับการทำงานไม่ต่อเนื่องดังนั้น.
bbo ช่วยให้ปัญหาด้วยการรักษาประชากรของโซลูชันผู้ลงสมัครรับเลือกตั้งและการสร้างโซลูชันผู้ลงสมัครรับเลือกตั้งใหม่โดยการผสมผสานที่มีอยู่ตามสูตรที่เรียบง่ายในลักษณะนี้ระบบโดยมีวัตถุประสงค์ที่จะได้รับการปฏิบัติในกล่องสีดำที่เป็นเพียงมีมาตรการที่มี คุณภาพ ได้รับโซลูชันผู้สมัครรับเลือกตั้งและการไล่ระดับสีของฟังก์ชันที่ไม่มีความจำเป็นต้องใช้.
เหมือน EAS bbo จำนวนมากเป็นแรงจูงใจโดยกระบวนการทางธรรมชาติโดยเฉพาะ bbo เป็นแรงจูงใจโดยชีวโมเลกุลซึ่งมีการศึกษาในการกระจายพันธุ์ทาง ชีวภาพ ผ่านพื้นที่และเวลา[ 1 ] bbo ได้รับการแนะนำโดยด่านไซมอนซึ่งแต่เดิม