In problems with two or more confli

In problems with two or more conflicting objectives, there is no
single optimum solution. There exist a number of solutions
which are optimal. Such solutions are called Pareto-optimal
solutions where no solutions dominates another solution. None
of the solutions in the Pareto-front is best with respect to all
objectives. In addition, no solution in the Pareto-front is better
than any other solution in the front with respect to all objectives.
Hence, without any additional problem-specific information
about the priorities of various objectives, all the solutions in the
Pareto-front are important. The main objective of multiobjective
optimization is to find many such solutions which
reflect the tradeoffs between the objectives.
Efficient operation of smart grids involves optimizing
energy consumption and utility which are two conflicting
objectives. Multi-objective evolutionary algorithms are
effective in obtaining a Pareto front with multiple solutions that
characterize the tradeoffs between the objectives. In our work,
we adapt a recently developed multi-objective evolutionary
algorithm (EMOCA) for handling the generation capacity
constraint while optimizing energy consumption and utility.
EMOCA is a genetic algorithm which has outperformed stateof-
the-art multi-objective optimization algorithms on several
test problems [8]. In EMOCA, each solution represents a
randomly generated energy consumption schedule for each
user. In each iteration, the solutions are modified using genetic
operators such as crossover and mutation. After several
iterations, the algorithm obtains a set of tradeoff solutions
called the Pareto-front. This set of solutions provides a wide
variety of choices for the system designer as opposed to a
combinatorial optimization approach which provides a single
solution.

ผลลัพธ์ (ไทย) 1:

มีปัญหากับวัตถุประสงค์ที่ขัดแย้งกันสอง หรือมากกว่า ไม่โซลูชั่นที่ดีที่สุดที่เดียว มีจำนวนของโซลูชั่นซึ่งเป็นที่ดีที่สุด โซลูชั่นดังกล่าวเรียกว่า Pareto ที่เหมาะสมโซลูชันที่ไม่มีโซลูชันกุมอำนาจโซลูชันอื่น ไม่มีของการแก้ปัญหาในด้าน Pareto สุดเกี่ยวกับทั้งหมดวัตถุประสงค์ นอกจากนี้ ไม่มีโซลูชันด้าน Pareto หน้าดีกว่ากว่าโซลูชันอื่นด้านหน้าตามวัตถุประสงค์ทั้งหมดดังนั้น ไม่ มีข้อมูลเฉพาะของปัญหาเพิ่มเติมเกี่ยวกับความสำคัญของวัตถุประสงค์ต่าง ๆ การแก้ปัญหาในการPareto หน้ามีความสำคัญ วัตถุประสงค์หลักของ multiobjectiveเพิ่มประสิทธิภาพเป็นเพื่อ ค้นหาโซลูชันดังกล่าวจำนวนมากซึ่งวงระหว่างวัตถุประสงค์การเพิ่มประสิทธิภาพเกี่ยวข้องกับประสิทธิภาพการทำงานของสมาร์ทกริดการใช้พลังงานและอรรถประโยชน์ที่สองขัดแย้งกันวัตถุประสงค์ มีอัลกอริทึมแบบวิวัฒนาการมีประสิทธิภาพในการได้รับที่ด้านหน้า Pareto หลายโซลูชั่นลักษณะยืนยันระหว่างวัตถุประสงค์ ในการทำงานของเราเราปรับเป้าหมายหลายเพิ่งพัฒนาวิวัฒนาการอัลกอริทึม (EMOCA) สำหรับการจัดการกำลังการผลิตรุ่นข้อจำกัดในขณะที่การเพิ่มประสิทธิภาพการใช้พลังงานและสาธารณูปโภคEMOCA คือ ขั้นตอนวิธีพันธุกรรมซึ่งมีกรรมการ stateof-อัลกอริทึมการเพิ่มประสิทธิภาพแบบศิลปะในหลายทดสอบปัญหา [8] ใน EMOCA หมายถึงวิธีการแก้ไขปัญหาแต่ละแบบตารางการใช้พลังงานที่สร้างขึ้นแบบสุ่มสำหรับแต่ละผู้ใช้งาน แผน การแก้ปัญหาจะถูกแก้ไขโดยใช้พันธุกรรมผู้ประกอบการเช่นครอสโอเวอร์และกลายพันธุ์ หลังจากหลายซ้ำ อัลกอริทึมได้รับชุดของการแก้ปัญหาข้อดีข้อเสียเรียกว่า Pareto-ด้านหน้า ชุดนี้ของโซลูชั่นให้กว้างทางเลือกสำหรับผู้ออกแบบระบบถึงวิธีเพิ่มประสิทธิภาพ combinatorial อันเดียวการแก้ปัญหา

ผลลัพธ์ (ไทย) 2:

ปัญหามีสองหรือขัดแย้งกันมากขึ้นวัตถุประสงค์ไม่มี
วิธีการแก้ปัญหาที่ดีที่สุดเพียงครั้งเดียว มีจำนวนของการแก้ปัญหาอยู่
ที่มีความเหมาะสมที่สุด การแก้ปัญหาดังกล่าวเรียกว่า Pareto ที่ดีที่สุด
การแก้ปัญหาที่ไม่มีทางออกครอบงำวิธีอื่น ไม่มี
การแก้ปัญหาใน Pareto ด้านหน้าที่ดีที่สุดคือด้วยความเคารพทุก
วัตถุประสงค์ นอกจากนี้ยังมีวิธีการแก้ปัญหาใน Pareto ด้านหน้าไม่มีจะดีกว่า
กว่าวิธีอื่น ๆ ในด้านหน้าที่เกี่ยวกับวัตถุประสงค์ทั้งหมด.
จึงไม่มีข้อมูลปัญหาที่เฉพาะเจาะจงใด ๆ เพิ่มเติม
เกี่ยวกับการจัดลำดับความสำคัญของวัตถุประสงค์ต่าง ๆ การแก้ปัญหาทั้งหมดใน
Pareto ด้านหน้าเป็น สำคัญ. วัตถุประสงค์หลักของการ multiobjective
เพิ่มประสิทธิภาพคือการหาแนวทางแก้ไขปัญหาดังกล่าวจำนวนมากซึ่ง
สะท้อนให้เห็นถึงความสมดุลระหว่างวัตถุประสงค์.
การดำเนินงานที่มีประสิทธิภาพของสมาร์ทกริดที่เกี่ยวข้องกับการเพิ่มประสิทธิภาพ
การใช้พลังงานและสาธารณูปโภคซึ่งมีสองขัดแย้งกัน
วัตถุประสงค์ หลายวัตถุประสงค์ขั้นตอนวิธีวิวัฒนาการที่มี
ประสิทธิภาพในการได้รับการต้อนรับ Pareto กับการแก้ปัญหาหลายอย่างที่
แสดงลักษณะความสมดุลระหว่างวัตถุประสงค์ ในการทำงานของเรา
ที่เราปรับตัวเข้ากับที่พัฒนาขึ้นเมื่อเร็ว ๆ นี้หลายวัตถุประสงค์วิวัฒนาการ
อัลกอริทึม (EMOCA) สำหรับการจัดการรุ่นความจุ
จำกัด ในขณะที่การเพิ่มประสิทธิภาพการใช้พลังงานและสาธารณูปโภค.
EMOCA เป็นขั้นตอนวิธีทางพันธุกรรมที่มีประสิทธิภาพสูงกว่า stateof-
ศิลปะหลายวัตถุประสงค์ขั้นตอนวิธีการเพิ่มประสิทธิภาพในหลาย
ทดสอบปัญหา [8] ใน EMOCA, การแก้ปัญหาแต่ละหมายถึง
ตารางเวลาการใช้พลังงานที่สร้างแบบสุ่มสำหรับแต่ละ
ผู้ใช้ ในแต่ละซ้ำการแก้ปัญหาที่มีการปรับเปลี่ยนโดยใช้ทางพันธุกรรม
ผู้ประกอบการเช่นครอสโอเวอร์และการกลายพันธุ์ หลังจากหลาย
ซ้ำอัลกอริทึมได้รับชุดของการแก้ปัญหาการถ่วงดุลอำนาจ
เรียกว่า Pareto ด้านหน้า ชุดของการแก้ปัญหานี้ให้กว้าง
หลากหลายของตัวเลือกสำหรับการออกแบบระบบเมื่อเทียบกับ
วิธีการเพิ่มประสิทธิภาพ combinatorial ซึ่งมีเพียงหนึ่งเดียว
แก้ปัญหา