5.2 Results The detailed results (m

5.2 Results
The detailed results (mean, standard deviation and p-value using
U test) are presented in Tables 1-3 in Appendix. Fig. 1 presents a
summary of the statistical hypothesis test results.

Fig. 1 Summary of the result comparison between MultiEA and
five other prediction measures. “+” means MultiEA significantly
outperforms another algorithm; “-” means the opposite.
It can be observed that MultiEA outperforms the other algorithms
in a neck to neck comparison.
Comparing with MultiEA1 and MultiEA2, the result suggests that
the use of a probability distribution is a good strategy for
modeling the evolution tendency of component algorithms than a
single mean/median point. MultiEA3 may put too much strength
on the latest data points. MultiEA4 put equal weight on all data
points since it randomly chooses two points and doing a
prediction. MultiEA outperforms both MultiEA3 and MultiEA4,
which means that MultiEA attains a better balance in the use of
data points than these two algorithms. MultiEA5 utilizes a
histogram to select algorithm. The histogram roughly estimates
the distribution of the predicted values. This is why MultiEA5
only obtains slightly worse results than MultiEA.
Through the study of five different prediction measures, we can
conclude that the proposed method could organize well the
predicted values by forming a bootstrap distribution and identify
the evolution tendency of component algorithms. Therefore,
MultiEA achieves good performance (on experimental results on
CEC 2005 test suite).
Note that MultiEA5 is only marginally worse than MultiEA. Thus
it is an attractive alternative.

ผลลัพธ์ (ไทย) 1:

5.2 ผล
ผลรายละเอียด (ค่าเฉลี่ยส่วนเบี่ยงเบนมาตรฐานและค่า p-value ที่ใช้ทดสอบ
U) ถูกแสดงไว้ในตารางที่ 1-3 อยู่ในภาคผนวก มะเดื่อ 1 ของขวัญ
สรุปของผลการทดสอบสมมติฐานทางสถิติ

มะเดื่อ 1 บทสรุปของการเปรียบเทียบผลระหว่าง multiea และ
ห้ามาตรการการคาดการณ์อื่น ๆ "" หมายถึง multiea อย่างมีนัยสำคัญมีประสิทธิภาพดีกว่า
อัลกอริทึมอื่น "-" หมายถึงตรงข้าม
จะสามารถสังเกตเห็นว่ามีประสิทธิภาพดีกว่า multiea กลไกอื่น ๆ
ในลำคอเพื่อการเปรียบเทียบคอ
เปรียบเทียบกับ multiea1 และ multiea2 ผลที่แสดงให้เห็นว่า
การใช้งานของการกระจายความน่าจะเป็นกลยุทธ์ที่ดีสำหรับการสร้างแบบจำลอง
แนวโน้มวิวัฒนาการของอัลกอริทึมองค์ประกอบมากกว่า
จุดเฉลี่ย / มัธยฐานเดียว multiea3 อาจทำให้
ความแข็งแรงมากเกินไปในจุดข้อมูลล่าสุดmultiea4 วางน้ำหนักที่เท่ากันในทุกจุดข้อมูล
เพราะมันสุ่มเลือกสองจุดและทำคำทำนาย
multiea มีประสิทธิภาพดีกว่าทั้งสอง multiea3 และ multiea4
ซึ่งหมายความว่า multiea บรรลุความสมดุลที่ดีขึ้นในการใช้งานของ
จุดข้อมูลที่มากกว่าทั้งสองขั้นตอนวิธีการ multiea5 ใช้ histogram
เพื่อเลือกอัลกอริทึม histogram ประมาณ
ประมาณการการกระจายตัวของการคาดคะเนนี่คือเหตุผลที่ multiea5
เพียง แต่ได้รับผลเล็กน้อยเลวร้ายยิ่งกว่า multiea
ผ่านการศึกษาในห้าของมาตรการการทำนายที่แตกต่างกันเรา
สามารถสรุปได้ว่าวิธีการที่นำเสนอสามารถจัดระเบียบได้ดี
ทำนายค่าโดยการสร้างการกระจายเงินทุนและระบุ
แนวโน้มวิวัฒนาการของขั้นตอนวิธีการองค์ประกอบ ดังนั้น
multiea ประสบความสำเร็จในผลงานที่ดี (เมื่อผลการทดลองบน
CEC ชุดทดสอบ 2005)
multiea5 ทราบว่าเป็นเพียงเล็กน้อยเลวร้ายยิ่งกว่า multiea จึง
มันเป็นทางเลือกที่น่าสนใจ

ผลลัพธ์ (ไทย) 2:

5.2 ผล
ผลลัพธ์โดยละเอียด (หมายถึง ส่วนเบี่ยงเบนมาตรฐานและใช้ค่า p
U ทดสอบ) จะแสดงในตาราง 1-3 ในภาคผนวก Fig. 1 แสดงเป็น
สรุปของผลการทดสอบสมมติฐานทางสถิติ

Fig. 1 สรุปผลเปรียบเทียบระหว่าง MultiEA และ
5 มาตรการอื่นคาดเดา "" หมายความว่า MultiEA มาก
outperforms อัลกอริทึมอื่น; "- "ความหมาย ตรงข้ามกัน
สามารถสังเกตว่า MultiEA outperforms อัลกอริทึมอื่น ๆ
ในคอ-คอเปรียบเทียบได้
เปรียบเทียบกับ MultiEA1 และ MultiEA2 แนะนำผลที่
การใช้การกระจายความน่าเป็นเป็นกลยุทธ์ที่ดีสำหรับ
แนวโน้มวิวัฒนาการของอัลกอริทึมส่วนประกอบมากกว่าการสร้างโมเดลการ
เดียวจุดเฉลี่ย/ค่ามัธยฐาน MultiEA3 อาจทำให้ความแข็งแรงมากเกินไป
คะแนนข้อมูลล่าสุดได้ MultiEA4 ใส่น้ำหนักเท่ากับข้อมูลทั้งหมด
จุดเนื่องจากการสุ่มเลือกจุดที่สอง และทำการ
คาดเดา MultiEA outperforms MultiEA3 และ MultiEA4,
ซึ่งหมายความ ว่า MultiEA attains ดุลดีกว่าใช้ของ
จุดข้อมูลกว่าอัลกอริทึมเหล่านี้ 2 MultiEA5 ใช้การ
ฮิสโตแกรมจะเลือกอัลกอริทึมการ ฮิสโตแกรมประเมินคร่าว ๆ
การกระจายค่าคาดการณ์ นี่เป็นเหตุผลที่ MultiEA5
เท่านั้น ได้รับผลเลวร้ายยิ่งเล็กน้อยกว่า MultiEA
ผ่านการศึกษามาตรการต่าง ๆ ทำนาย 5 เราสามารถ
สรุปว่า สามารถจัดระเบียบวิธีการเสนอที่ดี
ทำนายค่า โดยการขึ้นรูปการกระจายเริ่มต้นระบบ และระบุ
แนวโน้มวิวัฒนาการของอัลกอริทึมส่วนประกอบได้ ดังนั้น,
MultiEA ได้รับประสิทธิภาพที่ดี (ผลการทดลองบน
พบกับ CEC 2005 ชุดการทดสอบ)
หมายเหตุ MultiEA5 เป็นเพียงดีเลวกว่า MultiEA ดังนั้น
จึงเป็นทางเลือกที่น่าสนใจ

ผลลัพธ์ (ไทย) 3:

5.2 ผล
ได้แสดงรายละเอียดผลการ(หมายถึงการเบี่ยงเบนมาตรฐานและ P - มูลค่าการใช้
U การทดสอบ)มีการแสดงในตาราง 1-3 1-3 1-3 ใน ภาคผนวก . รูป. 1 นำเสนอ
สรุปผลการทดสอบสมมติฐานทางสถิติที่

รูป. 1 สรุปการเปรียบเทียบผลที่ได้ระหว่าง multiea และ
ห้ามาตรการการคาดเดาอื่นๆ. "" multiea หมายความว่าอย่างมีนัยสำคัญ
มีอัลกอริธึมหนึ่งว่า" - "หมายความว่าทางฝั่งด้านตรงข้ามกับที่
สามารถที่จะเห็นว่า multiea มีอัลกอริธึมอื่นๆที่
ในการเปรียบเทียบคอคล้องคอ
การเปรียบเทียบกับ multiea multiea 1 และ 2 ส่งผลให้ที่ได้แนะนำว่า
การใช้ที่ของการกระจายความเป็นไปได้ที่เป็นกลยุทธ์ที่ดีสำหรับ
การสร้างแบบจำลองแนวโน้มพัฒนาการใหม่ของคอมโพเนนต์อัลกอริธึมกว่า
เดียวหมายถึง/จุดอยู่ตรงกลาง multiea 3 มากเกินไปอาจทำให้ความแข็งแกร่งมาก
บนจุดข้อมูลล่าสุดmultiea 4 วางน้ำหนักเท่ากันกับข้อมูล
ทุกจุดเนื่องจากแบบสุ่มเลือกสองจุดและทำ
การคาดเดา multiea เก่าๆ multiea 3 และ multiea 4
ซึ่งหมายความว่า multiea ไพบูลย์ความสมดุลได้ดียิ่งขึ้นในการใช้งานของจุด
ข้อมูลได้มากกว่าสองอัลกอริธึมทั้งสองนี้ multiea 5 ใช้
ฮิสโตแกรมเพื่อเลือกอัลกอริธึม ฮิสโตแกรมที่หยาบประมาณการกระจาย
ของค่าคาดการณ์ไว้โรงแรมแห่งนี้คือเหตุผลว่าทำไม multiea 5
เท่านั้นจะรับผลที่แย่ไปกว่านั้นเล็กน้อยกว่า multiea
ผ่านทางการศึกษาของ 5 มาตรการการคาดเดากันเราสามารถ
สรุปว่าวิธีการที่สามารถจัดการได้ดีที่
ค่าคาดว่าโดยสร้างการกระจาย Bootstrap Processor และระบุถึงแนวโน้มการพัฒนา
ของอัลกอริธึมคอมโพเนนต์ ดังนั้น
multiea บรรลุ ประสิทธิภาพ การทำงานที่ดี(ผลการทดลองใน
ชุดทดสอบ CEC 2005 )
บันทึกไว้ด้วยว่า multiea 5 มีเพียงเล็กน้อยที่แย่กว่านั้นคือกว่า multiea . ดังนั้นจึง
เป็นทางเลือกที่น่าสนใจ