6. CONCLUSIONThe multiset represent

6. CONCLUSION
The multiset representation of populations in MuGA allows the
development of specific genetic operators useful for typically difficult
problems. In this paper we explored an adaptation of the mutation
operator and an adaptation of the replacement operator. Both use the
number of copies in a multi-individual (MI) enabling MuGA to obtain
interesting results in deceptive problems.
The multiset wave mutation operator (MWM) uses the multiple
copies of a multi-individual (MI) to modulate the probability of
mutation of an individual. The proposed modulating function is
shaped as a wave, which combines well a conservative approach for
MI with a small number of copies with a exploratory approach, with
high mutation rates for most of the copies of MI that have them in
large quantities.
The multiset decimation replacement operator (MDR) integrates MI
from parents’ and offspring populations, so that the winners of
successive tournaments among randomly selected MI in this multiset
will completely replace the parents’ population. This will usually
produce new populations with most of the high fitness MI, which
typically have a large number of copies that can be used in the next
generation by the MWM operator.
Results obtained with benchmark deceptive problems show that
together the two adapted operators, MWM-MDR, produced a robust
version of MuGA. They are not the best in all the problems but had
good performance in most of them. Tests performed with nondeceptive
functions showed that the new operators did no
compromise performance, as it should be expected by their design. It
is important to highlight this integrated functioning of operators, since
this is one of the most important features for an evolutionary
algorithm (EA). A single operator of an EA is seldom a solution. It
needs an adequate pairing with the other operators. Obtained results
seem to confirm this.
In this research we also had difficulty in establishing clear
comparisons with other algorithms due to the way results are often
presented. We showed that the success rate is much more informative
measure of performance than the average fitness, in particular for
deceptive problems, where we are mostly interested in finding the
optimum, or optima.
From this first set of functions we may infer that in problems where
building blocks are possible in the chromosome, MuGA with Multiset
Wave Mutation and Multiset Decimation Replacement is very robust.
For future work we will explore more complex problems, especially
larger versions of functions with intermingled parts. The results
obtained in some of these functions already tested showed
limitations on the configuration used for MWM-MDR. However we

ผลลัพธ์ (ไทย) 1:

6 สรุป
MultiSet ตัวแทนของประชากรใน Muga ช่วยให้การพัฒนา
ของผู้ประกอบการทางพันธุกรรมที่เฉพาะเจาะจงที่มีประโยชน์สำหรับยากมักจะมีปัญหา
ในบทความนี้เราสำรวจการปรับตัวของผู้ประกอบการ
การกลายพันธุ์และการปรับตัวของผู้ดำเนินการแทน ทั้งสองใช้หมายเลข
สำเนาในหลายบุคคล (ไมล์) ทำให้ Muga เพื่อให้ได้ผลลัพธ์ที่น่าสนใจในปัญหา
หลอกลวง.
ประกอบ MultiSet การกลายพันธุ์คลื่น (MWM) ใช้สำเนา
หลายหลายบุคคล (ไมล์) เพื่อปรับความน่าจะเป็นของการกลายพันธุ์ของแต่ละบุคคล
ฟังก์ชั่นเลตเสนอจะ
รูปร่างเหมือนคลื่นซึ่งรวมกันเป็นแนวทางที่พรรค
ไมล์ที่มีจำนวนเล็กสำเนาด้วยวิธีการสอบสวนที่มีอัตราการกลายพันธุ์
สูงสำหรับส่วนมากของสำเนาของไมล์ที่มีพวกเขาใน
ปริมาณมาก.
สังหารประกอบ MultiSet เปลี่ยนขนาน (MDR) รวมไมล์
จากพ่อแม่ของประชากรและประชากรลูกหลานเพื่อให้ผู้ชนะของการแข่งขันต่อเนื่องในหมู่
ไมล์สุ่มเลือกใน
MultiSet นี้อย่างสมบูรณ์จะแทนที่พ่อแม่ ' นี้จะมัก
ผลิตประชากรใหม่ที่มีมากที่สุดของการออกกำลังกายไมล์สูงซึ่ง
มักจะมีจำนวนมากสำเนาที่สามารถนำมาใช้ในการผลิต
ต่อไปจากการดำเนินการ MWM.
ผลที่ได้รับมีปัญหาหลอกลวงมาตรฐานแสดงให้เห็นว่าอยู่ด้วยกัน
สองผู้ประกอบการปรับ MWM MDR-ผลิตรุ่น
ที่แข็งแกร่งของ Muga พวกเขาจะไม่ดีที่สุดในการแก้ปัญหาทั้งหมด แต่มีประสิทธิภาพที่ดี
ในที่สุดของพวกเขา การทดสอบดำเนินการกับ
nondeceptiveฟังก์ชั่นแสดงให้เห็นว่าผู้ประกอบการใหม่ไม่ได้ทำผลการดำเนินงานการประนีประนอม
ตามที่ควรจะคาดหวังจากการออกแบบของพวกเขา มัน
เป็นสิ่งสำคัญที่เน้นการทำงานแบบบูรณาการนี​​้ของผู้ประกอบการตั้งแต่
นี้เป็นหนึ่งในคุณสมบัติที่สำคัญที่สุดสำหรับอัลกอริทึม
วิวัฒนาการ (EA) ประกอบเดียวของ EA ไม่ค่อยแก้ปัญหา มัน
ความต้องการการจับคู่ที่เหมาะสมกับผู้ประกอบการอื่น ๆ ที่ได้รับผล
ดูเหมือนจะยืนยันเรื่องนี้
. ในการวิจัยนี้เรายังมีความยากลำบากในการสร้างการเปรียบเทียบ
ชัดเจนกับกลไกอื่น ๆ เนื่องจากวิธีการมักจะนำเสนอ
เราแสดงให้เห็นว่าอัตราความสำเร็จเป็นตัวชี้วัด
ข้อมูลมากขึ้นของประสิทธิภาพการทำงานที่ดีกว่าการออกกำลังกายเฉลี่ยโดยเฉพาะอย่างยิ่งสำหรับปัญหาหลอกลวง
ที่เรามีความสนใจส่วนใหญ่ในการหาที่เหมาะสม
หรือ Optima.
จากชุดนี้เป็นครั้งแรกของการทำงานเราอาจสรุปได้ว่าในปัญหาที่
กลุ่มอาคารที่เป็นไปได้ในโครโมโซม, Muga กับ MultiSet การกลายพันธุ์คลื่น
และเปลี่ยนสังหาร MultiSet มีประสิทธิภาพมาก.
สำหรับการทำงานในอนาคตเราจะสำรวจปัญหาที่ซับซ้อนมากขึ้นโดยเฉพาะอย่างยิ่งใหญ่
รุ่นของการทำงานกับชิ้นส่วน intermingled ผล
ได้รับในบางส่วนของฟังก์ชั่นเหล่านี้ทดสอบแล้วพบว่า
ข้อ จำกัด ในการกำหนดค่าที่ใช้สำหรับการ MWM MDR- แต่เรา

ผลลัพธ์ (ไทย) 2:

6. บทสรุป
ช่วยให้การนำเสนอของประชากรใน MuGA multiset
พัฒนาประโยชน์สำหรับพันธุกรรมเฉพาะตัวโดยทั่วไปยาก
ปัญหา ในเอกสารนี้ เราสำรวจการปรับตัวของการกลายพันธุ์ที่
ดำเนินการและการปรับตัวของผู้ดำเนินการแทน ทั้งสองใช้การ
จำนวนสำเนาในบุคคลหลาย (MI) เปิด MuGA รับ
สนใจผลลัพธ์ปัญหาหลอกลวง
ดำเนินการกลายพันธุ์ของ multiset คลื่น (MWM) ใช้คูณ
สำเนาของแต่ละบุคคลหลาย (MI) การ modulate ที่น่า
การกลายพันธุ์ของบุคคล ฟังก์ชัน modulating เสนอ
รูปเป็นคลื่น ซึ่งรวมทั้งวิธีการแบบหัวเก่าสำหรับ
MI มีจำนวนเล็ก ๆ ของสำเนาด้วยวิธีเชิงบุกเบิก กับ
การกลายพันธุ์สูงและส่วนใหญ่สำเนาของ MI ที่มีให้ในราคาพิเศษ
ขนาดใหญ่ปริมาณการ
แทนดำเนินการกำจัดจำนวนมากแบบ multiset (MDR) รวม MI
จากพ่อแม่และลูกหลานประชากร เพื่อให้ผู้ชนะการ
แข่งขันที่ต่อเนื่องระหว่างการสุ่มเลือก MI ในชุดหลายชุดนี้
ทั้งหมดจะแทนประชากรของผู้ปกครอง นี้มักจะ
ผลิตประชากรใหม่ มีทั้ง MI ออกกำลังกายสูงซึ่ง
โดยทั่วไปมีจำนวนสำเนาที่สามารถใช้ใน
สร้าง โดยดำเนิน MWM.
แสดงผลลัพธ์ที่ได้กับเกณฑ์มาตรฐานปัญหาหลอกลวงว่า
กันตัวดัดแปลงที่สอง MWM MDR ผลิตแข็งแกร่ง
รุ่น MuGA พวกเขาไม่ได้มีส่วนในปัญหาทั้งหมด แต่มี
ประสิทธิภาพดีที่สุดของพวกเขา ดำเนินการทดสอบกับ nondeceptive
ฟังก์ชันแสดงให้เห็นว่า ผู้ประกอบการใหม่ได้ไม่
ประนีประนอมประสิทธิภาพ ควรคาด โดยออกแบบ มัน
ควรเน้นทำนี้รวมงานของตัวดำเนินการ ตั้งแต่
นี้เป็นหนึ่งในคุณลักษณะที่สำคัญที่สุดสำหรับการวิวัฒนาการ
อัลกอริทึม (EA) การดำเนินการเดียวของอีเอไม่แก้ไขปัญหา มัน
ต้องการจับคู่เพียงพอกับผู้อื่น ได้ผล
ดูเหมือนจะ ยืนยันนี้
ในงานวิจัยนี้ เรายังมีความยากลำบากในการสร้างชัดเจน
มักเปรียบเทียบกับอัลกอริทึมอื่น ๆ เนื่องจากผลทาง
แสดง เราพบว่าอัตราความสำเร็จมากขึ้นข้อมูล
วัดประสิทธิภาพกว่าฟิตเนสเฉลี่ย โดยเฉพาะอย่างยิ่งสำหรับ
ปัญหาหลอกลวง การที่เราสนใจส่วนใหญ่ในการค้นหาการ
เหมาะสม หรือพติ
จากชุดแรกของฟังก์ชัน เราอาจรู้ที่ปัญหาที่
สร้างบล็อกเป็นไปได้ในโครโมโซม MuGA กับชุดหลายชุด
คลื่นการกลายพันธุ์และชุดหลายชุดกำจัดจำนวนมากแบบเปลี่ยนเป็นแข็งมาก.
สำหรับอนาคตต่อไป เราจะสำรวจปัญหาซับซ้อนมากขึ้น โดยเฉพาะอย่างยิ่ง
ฟังก์ชันส่วน intermingled รุ่นใหญ่ได้ ผล
รับในบางฟังก์ชันเหล่านี้ทดสอบแล้วพบว่า
ข้อจำกัดในการกำหนดค่าที่ใช้สำหรับ MWM MDR อย่างไรก็ตามเรา

ผลลัพธ์ (ไทย) 3:

6 . การแสดงในบทสรุป multiset
ซึ่งจะช่วยให้ประชากรใน muga
ซึ่งจะช่วยทำให้การพัฒนาของผู้ให้บริการเฉพาะทางพันธุกรรมโดยปกติแล้วมีประโยชน์สำหรับ
ซึ่งจะช่วยแก้ปัญหาได้ยาก ในเอกสารนี้เราจะสำรวจการปรับตัวของผู้ให้บริการคือมัน
ซึ่งจะช่วยได้และการดัดแปลงของผู้ให้บริการที่คุณต้องการ ทั้งสองแบบให้ใช้
จำนวนสำเนาในแบบมัลติ - แบบเฉพาะราย(ไมล์)ที่ช่วยให้ muga
ซึ่งจะช่วยให้ได้รับผลน่าสนใจในปัญหาหลอกลวง.
ผู้ให้บริการคือมันคลื่น multiset (รูปแบบ)ใช้ได้หลายที่
ซึ่งจะช่วยสำเนาของหลายแบบเฉพาะตัว(ไมล์)สามารถปรับความเป็นไปได้ของ
คือมันของแต่ละบุคคลที่ ฟังก์ชัน modulating เสนอ
ซึ่งจะช่วยให้มีรูปทรงเป็นคลื่นที่ประกอบด้วยรวมถึงวิธีการที่อยู่ห่างออกไปในระยะทาง
ซึ่งจะช่วยให้พร้อมด้วยหมายเลขขนาดเล็กที่พร้อมด้วยการเข้าถึงของสำเนา exploratory พร้อมด้วยอัตราค่าบริการระดับสูงคือมัน
ซึ่งจะช่วยสำหรับการทำสำเนาของอยู่ห่างออกไปในระยะทางที่มีให้ใน
ตามมาตรฐานมากที่สุดขนาดใหญ่ปริมาณ.ผู้ให้บริการการเปลี่ยนมีสิบคนฆ่าให้ตายหนึ่งคน multiset
( MDR )
ซึ่งจะช่วยผนวกรวมอยู่ห่างออกไปในระยะทางจากของคุณพ่อคุณแม่และลูกที่ประชากรผู้ได้รับรางวัลของทัวร์นาเมนต์
ซึ่งจะช่วยอย่างต่อเนื่องท่ามกลางแบบสุ่มอยู่ห่างออกไปในระยะทางที่เลือกใน multiset นี้
จะเปลี่ยนอย่างสมบรูณ์แบบจำนวนประชากรของคุณพ่อคุณแม่ โดยทั่วไปแล้วโรงแรมแห่งนี้จะ
ซึ่งจะช่วยสร้างใหม่พร้อมด้วยประชากรมากที่สุดสูงฟิตเน็สเซ็นเตอร์ของที่อยู่ห่างออกไปในระยะทางที่
โดยทั่วไปแล้วมีขนาดใหญ่จำนวนมากของสำเนาที่สามารถนำมาใช้ในรุ่นถัดไป
ซึ่งจะช่วยให้โดยผู้ให้บริการรูปแบบที่.
ผลการได้รับกับปัญหาหลอกลวงการวัด ประสิทธิภาพ แสดงให้เห็นว่า
ซึ่งจะช่วยให้ผู้ประกอบการด้วยกันสองรูปแบบที่ดัดแปลง - -
ซึ่งจะช่วยสร้างความแข็งแกร่งรุ่นของ muga ห้องพักได้รับไม่ได้ที่ดีเยี่ยมในปัญหาทั้งหมดแต่มี
ซึ่งจะช่วยเพิ่ม ประสิทธิภาพ ที่ดีที่สุดใน การทดสอบที่ดำเนินการด้วย nondeceptive
ตามมาตรฐานฟังก์ชันการทำงานแสดงให้เห็นว่าผู้ให้บริการรายใหม่ที่ได้ก็ไม่มี ประสิทธิภาพ การทำงาน
ซึ่งจะช่วยรักษาสิ่งที่ควรจะได้รับการคาดหวังจากการออกแบบของพวกเขา
ซึ่งจะช่วยให้มีความสำคัญต่อไฮไลต์การทำงานแบบรวมนี้ของผู้ให้บริการตั้งแต่
แห่งนี้คือหนึ่งในคุณสมบัติที่สำคัญที่สุดอย่างสำหรับวิวัฒนาการ
อัลกอริธึม( EA ) ผู้ปฏิบัติงานเพียงคนเดียวของ EA ที่ไม่ค่อยมีโซลูชัน มัน
ซึ่งจะช่วยตอบสนองความต้องการการจับคู่ที่เหมาะสมพร้อมด้วยผู้ให้บริการรายอื่นได้ ได้รับผลการตอบแทน
ดูเหมือนจะต้องทำการยืนยันบริการนี้.
ในการวิจัยนี้เรายังมีความยากลำบากในการจัดตั้งล้าง
ซึ่งจะช่วยการเปรียบเทียบกับอัลกอริธึมอื่นๆเนื่องจากมักมีการนำเสนอ
เราจะแสดงให้เห็นว่าอัตราความสำเร็จคือการวัดความรู้มากขึ้น
ซึ่งจะช่วยในการทำงานมากกว่าฟิตเน็สเซ็นเตอร์โดยเฉลี่ยในเฉพาะสำหรับ
ซึ่งจะช่วยแก้ปัญหาหลอกลวงที่เราจะมีส่วนได้เสียในการค้นหาที่
สูงสุดหรือ optima .
จากชุดแรกนี้ในการปฏิบัติหน้าที่เราอาจไม่ค่อยในปัญหาที่ช่วงตึกอาคาร
ซึ่งจะช่วยได้ในโครโมโซมที่ muga พร้อมด้วย multiset
ซึ่งจะช่วยคือมันคลื่นและ multiset มีสิบคนฆ่าให้ตายหนึ่งคนจะเป็นอย่างมากมีความแข็งแกร่ง.
สำหรับการทำงานในอนาคตเราจะได้สำรวจปัญหาความซับซ้อนมากขึ้นโดยเฉพาะรุ่น
ซึ่งจะช่วยในการทำงานมีขนาดใหญ่กว่าพร้อมด้วยวุ่นชิ้นส่วน ผลการค้นหา
ซึ่งจะช่วยในการทำงานที่ได้รับเหล่านี้ได้รับการทดสอบแล้วบางส่วนมี
ข้อจำกัดในการตั้งค่าที่ใช้ในรูปแบบ - mdr. แต่ถึงอย่างไรก็ตามเรา