The instances are diering in the a

The instances are diering in the amount of taxa (134 to 178), the number of input trees (3 to 10) and their average
similarity to each other (below 50% up to 90%).
7.3 Comparison of Algorithms
Our aim was to make a comparison of the dierent algorithms as fair as possible. Hence per instance we ran the pure EA for 500000 iterations and used the consumed CPU time as limit for all others. Following this we did 30 runs per algorithm setting and instance and state following TreeRank scores in Tables 1{4: the best result (best), the mean value (mean) with the corresponding standard deviation (sdv.) as well as the median value (med.). Overall best obtained mean values are printed bold. For the agglomerative clustering and scatter search instances we also give the number of trees and taxa in parentheses, e.g. (3x134)" for 3 trees with 134 taxa each. In case of the articial tree instances the name itself holds this information and also the TreeRank score upper bound used during creation, e.g. 5x150 70" for 5 trees with 150 taxa each and a maximal TreeRank score of 70% w.r.t the initial tree. As lower limit the given upper bound minus 10% was used, i.e. 60% in the previous example. For these instances the TreeRank score of the initial input tree is given in line init tree", too. We further list for each instance the TreeRank score of the best tree of the input collection T (est input") and the aforementioned time limit (CPU-time") in seconds. In the following discussion, all performance dierences (i.e.dierences in TreeRank score mean values) pointed out have been statistically veried by Wilcoxon rank sum tests and error levels are less than 5%.For seven out of the 12 instances the MA yields on average signicantly better solutions than the pure EA. In the remaining ve cases the observed dierences are not signi-cant (although for four the MAs mean values are higher and only for instance M808scatter the EA achieved a slightly better mean). VNS is always signicantly better than the pure EA except for M808scatter, 5x175 80, and 5x175 90,where the latter achieved higher scores. Compared to the MA, the VNS exhibits clearly better results on the real-world instances, but was less eective on the articially generated
ones, for which it achieved a higher mean score in only a single case (5x150 80). We believe the reason for this lies
in the initial solution of the VNS, which is the input tree having the highest TreeRank score. While this best input tree turned out to lie relatively close to high quality consensus trees in case of our real-world instances, there are generally larger dierences in the articial instances. As the VNS is dominated by its strong local search of the embedded VND, which consumes the major part of the CPU-time on larger instances, its diversication abilities are less pronounced than those of the population-based MA.Now we concentrate on the hybrid approaches. The results of HybB, in which VND is used to locally optimize new incumbent solutions within the EA, was disappointing,as its nal solutions are generally inferior to those of the other hybrids and VNS performed in most of the real-world instances better. The more systematic EA/VNS combinations HybS, HybI4, and Hyb I4 are more successful. They consistently achieve the overall best results; at least one of them performed on all instances signicantly better than all other algorithms. The only exception is Onco10, where the VNS yields equally good results. Although there are only few statistically signicant dierences between the sequential
and the intertwined hybrids, the former tends to yield better results for the real-world instances whereas the latter
seems to be better suited for the articial instances. Finally, the intertwined MA/VNS hybrid Hyb I4 shows for many nstances a better performance|in fact sometimes even the best|when compared to the same variant utilizing the pure
EA only (HybI4). Altogether the intertwined variants can be clearly considered the most successful.When comparing the scores of the best input trees with those of the overall best solutions found, it is apparent that our real instances have less room for improvement, mostly below 2%, whereas the articially generated ones allow for about 5% or even more. nother interesting fact is the relation between the TreeRank scores of the articial instances'initial trees and the corresponding best solutions found. As can be observed in Tables 3 and 4, the initial tree is more likely the (nearly) optimal consensus tree regarding the TreeRank score) when the derived input trees are close to the initial tree, hence when the radius of the inner circle in Figure 7 is small. The results of the best solutions also show that only the hybrid algorithms are consistently able to nd consensus trees being better than or equal to the initial trees, whereas the latter happens for instances 5x150 90 and 5x175 90.

ผลลัพธ์ (ไทย) 1:

อินสแตนซ์ดิ ering จำนวน taxa (134-178), จำนวนของอินพุต (3-10) และค่าเฉลี่ยของคล้ายคลึงกัน (ต่ำกว่า 50% ถึง 90%)7.3 เปรียบเทียบอัลกอริทึมเป้าหมายของเราคือการ ทำการเปรียบเทียบอัลกอริทึม erent ดิยุติธรรมเป็นที่สุด ดังนั้นสำหรับแต่ละอินสแตนซ์ เราวิ่งเอบริสุทธิ์สำหรับ 500000 ซ้ำ และใช้เวลาของ CPU ที่ใช้เป็นขีดจำกัดสำหรับอื่น ๆ ทั้งหมด ต่อนี้ เราไม่ได้ทำ 30 ต่อค่าอัลกอริทึม และอินสแตนซ์ และรัฐตามคะแนน TreeRank ในตาราง 1 { 4: ผลดีที่สุด (ส่วน), ค่าเฉลี่ย (ความหมาย) ด้วยส่วนเบี่ยงเบนมาตรฐานที่สอดคล้องกัน (sdv.) และค่ามัธยฐาน (med) โดยรวม ส่วนได้รับหมายถึงค่าที่พิมพ์ตัวหนา คลัสเตอร์ agglomerative และกระจายค้นหาอินสแตนซ์ นี้เรายังให้จำนวนต้นไม้และ taxa ในวงเล็บ เช่น (3x134) "สำหรับต้นไม้ 3 กับ 134 taxa ในกรณีที่อาทรีซึ่งกันและกันกรณี ชื่อตัวเองเก็บข้อมูล และขอบเขตบนของคะแนน TreeRank ที่ใช้ระหว่างการสร้าง เช่น 5x150 70" สำหรับต้นไม้ 5 กับ 150 taxa และ TreeRank คะแนนสูงสุด 70% w.r.t แผนภูมิเริ่มต้น เป็นขีดจำกัดล่าง บนให้ผูกเครื่องใช้ 10%, 60% ในตัวอย่างก่อนหน้านี้เช่น สำหรับอินสแตนซ์เหล่านี้ TreeRank คะแนนต้นสำหรับการป้อนค่าเริ่มต้นถูกกำหนดในบรรทัด init" เกินไป เราเพิ่มเติมรายการสำหรับแต่ละอินสแตนซ์คะแนน TreeRank สุดแผนภูมิของชุดอินพุต T (est ป้อน") และจำกัดเวลาดังกล่าว (CPU-time") ในวินาที ในการสนทนาต่อไปนี้ ทั้งหมดประสิทธิภาพ di erences (i.e.di erences TreeRank คะแนนค่าเฉลี่ย) ชี้ให้เห็นได้ทางสถิติ veri ed โดย Wilcoxon อันดับผลการทดสอบระดับข้อผิดพลาดมีน้อยกว่า 5% สำหรับเจ็ดออกจากอินสแตนซ์ 12 MA จะทำให้เฉลี่ย signi cantly แก้ปัญหาดีกว่าเอบริสุทธิ์ ในกรณีเหลือ ve erences สังเกตดิไม่ signi-ต้อน (แม้ว่าในสี่ มาสหมายถึง ค่า ใจสูงเท่านั้นเช่น M808scatter อีเอทำได้เฉลี่ยดีกว่าเล็กน้อย) ไรวินท์ได้เสมอ signi cantly ดีกว่าเอบริสุทธิ์เว้น M808scatter, 80 5 x 175 และ 5 x 175 90 ที่จะทำได้คะแนนสูง เมื่อเทียบกับ MA ไรวินท์จัดแสดงผลลัพธ์ที่ดีขึ้นอย่างชัดเจนในกรณีจริง แต่น้อยกว่าอี ective ในอาการ cially สร้างคน ซึ่งมันได้คะแนนเฉลี่ยสูงในเฉพาะตัวเครื่องเดียว (5 x 150 80) เราเชื่อว่าเหตุผลสำหรับการนี้อยู่ในโซลูชันเริ่มต้นของไรวินท์ ซึ่งต้นอินพุตมี TreeRank สูงสุดที่ทำ ในขณะนี้ส่วนป้อนข้อมูลแผนภูมิการสอยู่ค่อนข้างใกล้กับต้นไม้ช่วยให้คุณภาพสูงในกรณีของอินสแตนซ์ของจริง มี erences di ขนาดใหญ่โดยทั่วไปในกรณีซึ่งกันและกันอา เป็นไรวินท์ถูกครอบงำ โดยการค้นหาท้องถิ่นแข็งแกร่งของการฝังตัวพื้นที่ส่วน ที่ใช้ส่วนใหญ่เวลาของ CPU บนอินสแตนซ์ใหญ่ ความสามารถของ diversi cation มีออกเสียงน้อยกว่าของ MA ตามประชากร ตอนนี้ เรามีสมาธิในวิธีแบบผสมผสาน ผลของ HybB ซึ่งใช้พื้นที่ส่วนภายในปรับโซลูชั่น incumbent ใหม่ภายใน EA ถูก ย่อมเป็นโซลูชั่นของ nal น้อยโดยทั่วไปที่ลูกผสมอื่น ๆ และดำเนินการในส่วนใหญ่ของกรณีจริงดีไรวินท์ ชุดเอ/ไรวินท์ระบบมากขึ้น HybS, HybI4 และ Hyb I4 ประสบความสำเร็จได้ พวกเขาอย่างต่อเนื่องให้บรรลุผลดีสุด น้อยหนึ่งดำเนินการในทุกกรณี signi cantly กว่ากระบวนอื่น ๆ ข้อยกเว้นเดียวคือ Onco10 ที่ไรวินท์ที่ทำให้เท่าเทียมกันผลลัพธ์ที่ดี ถึงแม้ว่ามีเพียงไม่กี่ทางสถิติ signi ต้อน di erences ระหว่างการเรียงลำดับและลูกผสมพัน เดิมมีแนวโน้มให้ผลดีสำหรับอินสแตนซ์โลกจริงในขณะที่หลังดูเหมือนว่า จะดีกว่าเหมาะสำหรับอินสแตนซ์อาซึ่งกันและกัน สุดท้าย ผสม MA/ไร วินท์สองดวง Hyb I4 แสดงหลาย nstances ความจริง performance|in ดีบางครั้ง best|when เปรียบเทียบกับตัวแปรเดียวกันที่ใช้บริสุทธิ์EA เท่านั้น (HybI4) ทั้งหมด ตัวแปรสองดวงสามารถชัดเจนถือว่าประสบความสำเร็จมากที่สุด เมื่อเปรียบเทียบคะแนนของต้นไม้นำเข้าส่วนกับแก้ปัญหาที่ดีสุดที่พบ ได้ชัดเจนว่า กรณีของเราจริงมีน้อยห้องปรับปรุง ส่วนใหญ่ต่ำกว่า 2% ในขณะอา cially สร้าง คนให้ประมาณ 5% หรือยิ่ง nother ความจริงที่น่าสนใจความสัมพันธ์ระหว่างคะแนน TreeRank ของอา instances'initial ซึ่งกันและกันต้นไม้และสอดคล้องกันดีที่สุดพบการแก้ไขปัญหา จะสังเกตได้จากในตาราง 3 และ 4 แผนภูมิการเริ่มต้นเป็นว่าทรี (เกือบ) สมมติเกี่ยวกับ TreeRank คะแนน) เมื่อต้นไม้เข้ามามักเริ่มต้น ดังนั้นเมื่อรัศมีของวงกลมภายในรูปที่ 7 มีขนาดเล็ก ผลการแก้ปัญหาดีที่สุดแสดงว่า เฉพาะไฮบอัลกอริทึมอย่างสม่ำเสมอสามารถ nd ช่วยให้ต้นไม้ได้ดีกว่า หรือเท่ากับต้นไม้เริ่มต้น ในขณะที่เกิดขึ้นหลังสำหรับอินสแตนซ์ 5 x 150 90 และ 90 5 x 175

ผลลัพธ์ (ไทย) 2:

กรณีที่มีดิ? ering จำนวนแท็กซ่า (134-178) จำนวนต้นไม้ที่นำเข้า (3-10)
และค่าเฉลี่ยของพวกเขาคล้ายคลึงกันกับแต่ละอื่นๆ (ต่ำกว่า 50% ถึง 90%).
7.3
เปรียบเทียบอัลกอริทึมเป้าหมายของเราคือการทำให้การเปรียบเทียบ di หรือไม่ขั้นตอนวิธีการต่างกันเป็นธรรมที่เป็นไปได้ ดังนั้นต่อเช่นเราวิ่งอีบริสุทธิ์สำหรับ 500000 ซ้ำและใช้เวลา CPU บริโภคเป็นข้อ จำกัด สำหรับคนอื่น ๆ ทั้งหมด ต่อไปนี้เราได้ 30 วิ่งต่อการตั้งค่าขั้นตอนวิธีการและตัวอย่างและรัฐต่อไปนี้คะแนน TreeRank ในตารางที่ 1 {4: ผลที่ดีที่สุด (ดีที่สุด), ค่าเฉลี่ย (mean) โดยมีค่าเบี่ยงเบนมาตรฐานที่สอดคล้องกัน (. Sdv) เช่นเดียวกับค่าเฉลี่ย (med.) โดยรวมที่ดีที่สุดที่ได้รับค่าเฉลี่ยจะพิมพ์ตัวหนา สำหรับการจัดกลุ่ม agglomerative และกรณีการค้นหากระจายเรายังให้หมายเลขของต้นไม้และแท็กซ่าในวงเล็บเช่น (3x134) "3 ต้นด้วย 134 แท็กซ่าแต่ละ. ในกรณีที่กรณีต้นไม้ทางการ Arti ชื่อตัวเองเก็บข้อมูลนี้และยัง TreeRank คะแนนถูกผูกไว้บนที่ใช้ในระหว่างการสร้างเช่น 5x150 70 "5 ต้นไม้ 150 แท็กซ่าแต่ละคนและคะแนน TreeRank สูงสุด 70% WRT ต้นไม้เริ่มต้น ในฐานะที่เป็นวงเงินที่ต่ำกว่าที่กำหนดขอบเขตบนลบ 10% ถูกนำมาใช้คือ 60% ในตัวอย่างก่อนหน้า สำหรับกรณีเหล่านี้คะแนน TreeRank ของต้นไม้การป้อนข้อมูลเริ่มต้นจะได้รับในสาย init ต้นไม้ "ด้วย. เรารายการต่อไปสำหรับแต่ละกรณีคะแนน TreeRank ของต้นไม้ที่ดีที่สุดของคอลเลกชันการป้อนข้อมูล T ( ป้อนข้อมูลที่ดีที่สุด") และเวลาดังกล่าวข้างต้น การ จำกัด ( CPU เวลา ") ในไม่กี่วินาที. ในการอภิปรายต่อไปนี้ทุก di ประสิทธิภาพ? erences (iedi? erences ใน TreeRank คะแนนค่าเฉลี่ย) ชี้ให้เห็นได้เอ็ด Veri สถิติ Wilcoxon ทดสอบยศผลรวมและระดับความผิดพลาดน้อยกว่า 5 การกีฬาเจ็ด% จาก 12 กรณีอัตราผลตอบแทนแมสซาชูเซตในการแก้ปัญหาอย่างมีนัยสำคัญเฉลี่ยดีกว่าอีบริสุทธิ์. ในกรณีที่เหลือได้ดิสังเกต? erences ไม่ได้มีนัยสำคัญ -cant (แต่สำหรับสี่ MAs ค่าเฉลี่ยที่สูงขึ้นและมีเพียง เช่น M808scatter อีเอประสบความสำเร็จหมายถึงดีกว่าเล็กน้อย). VNS อยู่เสมออย่างมีนัยสำคัญดีกว่าบริสุทธิ์ EA ยกเว้น M808scatter, 5x175 80 และ 5x175 90 ที่หลังประสบความสำเร็จในคะแนนที่สูงกว่า. เมื่อเทียบกับแมสซาชูเซตที่จัดแสดงนิทรรศการ VNS ดีขึ้นอย่างชัดเจน ผลในกรณีที่แท้จริงของโลก แต่ก็น้อยจ? ective ใน Arti
ทางการสร้างคนเพื่อที่จะประสบความสำเร็จหมายถึงคะแนนที่สูงขึ้นในเพียงกรณีเดียว(5x150 80) เราเชื่อว่าเหตุผลนี้โกหกในการแก้ปัญหาเริ่มต้นของ VNS ซึ่งเป็นต้นไม้การป้อนข้อมูลที่มีคะแนนสูงสุด TreeRank
ขณะนี้การป้อนข้อมูลต้นไม้ที่ดีที่สุดเปิดออกมาอยู่ค่อนข้างใกล้กับต้นไม้ฉันทามติที่มีคุณภาพสูงในกรณีที่กรณีที่แท้จริงของโลกของเรามีขนาดใหญ่โดยทั่วไป di erences? ในกรณีทางการ Arti ในฐานะที่เป็น VNS ถูกครอบงำโดยการค้นหาในท้องถิ่นที่แข็งแกร่งของ VND ฝังตัวที่กินส่วนหนึ่งที่สำคัญของ CPU เวลาในกรณีที่มีขนาดใหญ่ความสามารถในการประจุบวก diversi ที่มีความเด่นชัดน้อยกว่าของประชากรตาม MA.Now เรามีสมาธิใน วิธีไฮบริด ผลการ HybB ซึ่งใน VND จะใช้ในการเพิ่มประสิทธิภาพการแก้ปัญหาในประเทศดำรงตำแหน่งใหม่ภายในอีเอเป็นที่น่าผิดหวังเป็นโซลูชั่นของเอ็นโดยทั่วไปมักจะด้อยกว่าพวกลูกผสมอื่น ๆ และ VNS ดำเนินการในส่วนของกรณีที่แท้จริงของโลกที่ดีกว่า เป็นระบบมากขึ้น EA / VNS รวมกัน HybS, HybI4 และ Hyb? I4 จะประสบความสำเร็จมากขึ้น พวกเขาอย่างต่อเนื่องให้บรรลุผลลัพธ์ที่ดีที่สุดโดยรวม; อย่างน้อยหนึ่งของพวกเขาดำเนินการในทุกกรณีอย่างมีนัยสำคัญดีกว่าขั้นตอนวิธีการอื่น ๆ ยกเว้นอย่างเดียวคือ Onco10 ที่ VNS ให้ผลลัพธ์ที่ดีอย่างเท่าเทียมกัน แม้ว่าจะมีเพียงไม่กี่ดินัยสำคัญทางสถิติลาดเท? erences
ระหว่างลำดับและลูกผสมพันอดีตมีแนวโน้มที่จะให้ผลลัพธ์ที่ดีกว่าสำหรับกรณีที่แท้จริงของโลกในขณะที่หลังดูเหมือนว่าจะดีเหมาะสำหรับกรณีทางการ
Arti ในที่สุดพัน MA / VNS ไฮบริด Hyb? I4 แสดงให้เห็นหลาย nstances ประสิทธิภาพที่ดีขึ้น | ในความเป็นจริงบางครั้งแม้แต่ที่ดีที่สุด | เมื่อเทียบกับตัวแปรเดียวกันใช้บริสุทธิ์
EA เท่านั้น (HybI4) พรึบพันสายพันธุ์ได้รับการพิจารณาอย่างชัดเจน successful.When มากที่สุดเมื่อเปรียบเทียบกับคะแนนที่ดีที่สุดต้นไม้การป้อนข้อมูลกับผู้โดยรวมโซลูชั่นที่ดีที่สุดพบว่ามันเป็นที่ชัดเจนว่ากรณีที่แท้จริงของเรามีห้องพักน้อยสำหรับการปรับปรุงส่วนใหญ่ต่ำกว่า 2% ในขณะที่ Arti คนสร้างทางการอนุญาตให้ประมาณ 5% หรือมากขึ้น ข้อเท็จจริงที่น่าสนใจ nother เป็นความสัมพันธ์ระหว่างคะแนน TreeRank ของ Arti ทางการต้นไม้ instances'initial และโซลูชั่นที่ดีที่สุดที่เกี่ยวข้องพบว่า ในฐานะที่สามารถสังเกตได้ในตารางที่ 3 และ 4 ที่ต้นไม้เริ่มต้นมีแนวโน้มมากขึ้น (เกือบ) ต้นไม้ฉันทามติที่ดีที่สุดเกี่ยวกับคะแนน TreeRank) เมื่อต้นการป้อนข้อมูลที่ได้มาอยู่ใกล้กับต้นไม้เริ่มต้นด้วยเหตุนี้เมื่อรัศมีของวงในรูป 7 มีขนาดเล็ก ผลที่ได้จากโซลูชั่นที่ดีที่สุดยังแสดงให้เห็นว่ามีเพียงขั้นตอนวิธีการไฮบริดอย่างสม่ำเสมอสามารถต้นไม้ฉันทามติเป็นครั้งที่ดีกว่าหรือเท่ากับต้นไม้เริ่มต้นในขณะที่หลังเกิดขึ้นกรณี 5x150 และ 5x175 90 90

ผลลัพธ์ (ไทย) 3:

กรณีเป็น ดิ  ลื่นในจํานวนและ ( 134 178 ) , จำนวนของต้นไม้ใส่ ( 1 ถึง 10 ) และความเหมือนเฉลี่ย
ของพวกเขากับแต่ละอื่น ๆ ( ด้านล่าง 50% ถึง 90% ) .
7.3 การเปรียบเทียบขั้นตอนวิธี
เป้าหมายของเราคือการทำให้การเปรียบเทียบของ ดิ  erent ขั้นตอนวิธี ยุติธรรมที่สุด ดังนั้นต่ออินสแตนซ์เรารัน EA แท้ 500000 ซ้ำและใช้บริโภค CPU เวลา จำกัด สำหรับคนอื่น ๆต่อไปนี้เราก็ 30 วิ่งต่อการตั้งค่าและอินสแตนซ์และรัฐขั้นตอนวิธีการดังต่อไปนี้ treerank คะแนนในตาราง 1 { 4 : ผลที่ดีที่สุด ( ดีที่สุด ) , ค่าเฉลี่ย ( MEAN ) กับส่วนเบี่ยงเบนมาตรฐานที่สอดคล้องกัน ( sdv ) รวมทั้งค่ามัธยฐาน ( Med . ) โดยรวมที่ดีที่สุดที่ได้หมายความว่า ค่าพิมพ์ตัวหนาสำหรับ agglomerative การจัดกลุ่มและกระจายการค้นหาอินสแตนซ์เรายังให้จำนวนของต้นไม้ และอยู่ในวงเล็บ เช่น ( 3x134 ) " 3 ต้นไม้ที่มีความสูง 134 คน ในกรณีของต้นไม้แห่ง  ่กรณีชื่อ ตัวเองถือข้อมูลนี้และยัง treerank คะแนนบนผูกไว้ใช้ในระหว่างการสร้าง เช่น 5x150 N 70 " 5 ต้นที่ 150 และแต่ละคนและคะแนน treerank สูงสุด 70% w.r.t ต้นแรก โดยลดวงเงินที่ให้ขอบเขตบนหัก 10 % ที่ใช้ คือ ร้อยละ 60 ในตัวอย่างก่อนหน้านี้ สำหรับกรณีเหล่านี้ treerank คะแนนใส่ต้นไม้เริ่มต้นจะได้รับในเส้นเริ่มต้น " ด้วย เรารายการเพิ่มเติมสำหรับแต่ละอินสแตนซ์ treerank คะแนนของต้นไม้ที่ดีที่สุดของข้อมูลคอลเลกชัน T ( N ที่ดีที่สุดใส่ " ) และกำหนดเวลาดังกล่าว ( เวลา " CPU ) ในวินาทีในการสนทนาต่อไปนี้ทั้งหมดผลงาน ดิ  erences ( erences i.e.di  ในคะแนน treerank หมายถึงค่า ) ชี้ว่า มีสถิติข้อมูล  ed โดยสถิติอันดับรวมการทดสอบและระดับความผิดพลาดน้อยกว่า 5% สำหรับ 7 จาก 12 กรณีมาอัตราผลตอบแทนเฉลี่ยลดลงอย่างมีนัยสําคัญเมื่อ  signi โซลูชั่นที่ดีขึ้นกว่ากรองบริสุทธิ์ในอีกกรณี  เคยสังเกตดิ  erences ไม่ signi  - ลาดเท ( แม้ว่าสี่ Mas หมายถึงค่าจะสูงขึ้นเท่านั้น และตัวอย่าง m808scatter EA ได้หมายถึงดีขึ้นเล็กน้อย ) vns เสมอ signi ลดลงอย่างมีนัยสําคัญเมื่อ  ดีกว่าเอบริสุทธิ์ยกเว้น m808scatter 5x175 90 , 80 และ 5x175 ที่หลังได้คะแนนสูงกว่า เมื่อเทียบกับแม่การ vns จัดแสดงผลลัพธ์ที่ดีขึ้นอย่างชัดเจนในโลกแห่งความจริง อินสแตนซ์ แต่น้อยกว่าอี  ective ใน Arti  สร้าง
cially ทั้งหลาย ซึ่งมันได้คะแนนเฉลี่ยสูงกว่าเพียงกรณีเดียว ( 5x150 80 ) เราเชื่อว่าเหตุผลนี้อยู่
ในสารละลายเริ่มต้นของ vns ซึ่งเป็นที่ใส่ต้นไม้ treerank มีคะแนนสูงสุดขณะที่ต้นไม้ใส่ดีที่สุดนี้กลับกลายอยู่ค่อนข้างใกล้กับต้นไม้เอกฉันท์คุณภาพสูงในกรณีของอินสแตนซ์จริงของเรา โดยทั่วไปมีขนาดใหญ่ดี  erences ใน Arti  ่กรณี เป็น vns เป็น dominated โดยการค้นหาท้องถิ่นที่แข็งแกร่งของฝังตัว VND ซึ่งใช้เป็นส่วนหนึ่งที่สำคัญของซีพียูเวลาบนอินสแตนซ์ใหญ่ของ DIVERSI  บวกความสามารถน้อยเด่นชัดกว่า MA - ตามจำนวนประชากร ตอนนี้เราเน้นแนวลูกผสม ผล hybb ซึ่งจะใช้ในการเพิ่มประสิทธิภาพโซลูชั่น VND ในหน้าที่ใหม่ใน EA ก็ย่อมเป็น  นัลโซลูชั่นมักจะด้อยกว่าพวกลูกผสมอื่น ๆ และ vns ดำเนินการในส่วนใหญ่ของอินสแตนซ์จริงดีกว่าวัตถุประสงค์ vns EA / ชุด hybs hybi4 , และ hyb  ไอโฟร์จะประสบความสำเร็จมากขึ้น พวกเขาอย่างต่อเนื่องให้เกิดผลที่ดีที่สุดโดยรวมอย่างน้อยหนึ่งของพวกเขาดำเนินการในทุกกรณี signi  ลดลงอย่างมีนัยสําคัญเมื่อได้ดีกว่าอัลกอริทึมอื่น ๆ ยกเว้น onco10 ที่ vns ผลผลิตผลลัพธ์ที่ดีอย่างเท่าเทียมกัน แม้ว่าจะมีเพียงไม่กี่ทาง signi  ลาดเท ดิ  erences ระหว่างลำดับ
และพันลูกผสม อดีตมีแนวโน้มที่จะให้ผลที่ดีขึ้นสำหรับใช้อินสแตนซ์และหลัง
ดูเหมือนจะเหมาะกับ  ่แห่งกรณี ในที่สุด พัน MA / vns ไฮบริด hyb  ไอโฟร์แสดงหลาย nstances เป็นประสิทธิภาพที่ดีขึ้น | ในความเป็นจริงบางครั้งแม้แต่ที่ดีที่สุด | เมื่อเทียบกับตัวแปรเดียวกันใช้เพียว
EA เท่านั้น ( hybi4 )ทั้งหมดที่พลิกผันแปรสามารถอย่างชัดเจนถือว่าประสบความสำเร็จมากที่สุด เมื่อเปรียบเทียบคะแนนของต้นไม้ที่ดีที่สุดกับผู้เข้ารวมของโซลูชั่นที่ดีที่สุดที่พบจะพบกรณีจริงของเรามีห้องน้อยสำหรับการปรับปรุง ส่วนใหญ่ต่ำกว่า 2 เปอร์เซ็นต์ ขณะที่ กิ  สร้าง cially ที่ให้ประมาณ 5 % หรือมากกว่าอีกข้อเท็จจริงที่น่าสนใจ คือ ความสัมพันธ์ระหว่าง treerank คะแนนของ กิ่ instances'initial  ต้นไม้และตามโซลูชั่นที่ดีที่สุดที่พบ ที่สามารถสังเกตได้ในตารางที่ 3 และ 4 ต้นแรกคือมีโอกาสมากขึ้น ( เกือบ ) ที่เหมาะสมกับต้นไม้ใน treerank คะแนน ) เมื่อได้มาใส่ต้นไม้ใกล้ๆต้น ต้นดังนั้น เมื่อรัศมีวงกลมชั้นในในรูปที่ 7 คือ ขนาดเล็ก ผลของโซลูชั่นที่ดีที่สุด นอกจากนี้ยังแสดงให้เห็นว่าแค่อัลกอริทึมแบบต่อเนื่องสามารถ  ND เอกฉันท์ต้นไม้ดีกว่าหรือเท่ากับต้นไม้เริ่มต้น ในขณะที่หลังเกิดกรณี 5x150 90 และ 5x175 90