The classical DE fixes all the cont

The classical DE fixes all the control parameters during optimization. However, as previously discussed, setting suitable values
Table 1
A summary of ADEMO/D characteristics in comparison with other algorithms.
Algorithm Optimization CRandF Strategy adaptation Neighborhood size
ADEMO/D Multiobjective/decomposition Fixed PM or AP Fixed
ENS-MOEA/D Multiobjective/decomposition Fixed Fixed (1 strategy) Adapted
Adap-MODE Multiobjective/Pareto dominance Adapted (JADE scheme) PM –
AdapSS Mono-objective Adapted (JADE scheme) PM or AP –
SaDE Mono-objective Adapted Based on success rate –
JADE Mono-objective Adapted Fixed (1 strategy) – EPSDE Mono-objective Adapted (pool of successful parameters) Pool of successful strategies – S.M. Venske et al. Neurocomputing 127 (2014) 65–77 66 may lead to high computational costs due to time-consuming
trial-and-error processes and may be inefficient in cases where ideal parameters' values vary during the evolutionary process. In the literature

Kết quả (Việt) 1:

Cổ điển DE sửa chữa tất cả các tham số điều khiển trong tối ưu hóa. Tuy nhiên, như thảo luận trước đó, thiết lập giá trị phù hợpBảng 1Một bản tóm tắt của ADEMO/D đặc điểm so với các thuật toán khác.Thuật toán tối ưu hóa CRandF chiến lược thích ứng kích thước vùng lân cậnADEMO/D Multiobjective/phân huỷ cố định PM hay AP cố địnhENS-MOEA/D Multiobjective/phân huỷ cố định cố định (1 chiến lược) chuyển thểAdap-chế độ Multiobjective/Pareto thống trị Adapted (JADE đề án) PM-AdapSS Mono-mục tiêu Adapted (JADE đề án) PM hay AP-SaDE Mono-mục tiêu chuyển thể dựa trên tỷ lệ thành công-JADE Mono-mục tiêu chuyển thể cố định (1 chiến lược)-EPSDE Mono-mục tiêu Adapted (Hồ bơi của tham số thành công) bể bơi của chiến lược thành công-S.M. Venske et al. Neurocomputing 127 (2014) 65-77 66 có thể dẫn đến cao tính toán chi phí do tốn thời gianthử nghiệm và báo lỗi quá trình và có thể không hiệu quả trong trường hợp nơi mà giá trị tham số lý tưởng khác nhau trong quá trình tiến hóa. Trong văn học

Kết quả (Việt) 2:

DE cổ điển sửa chữa tất cả các thông số điều khiển trong tối ưu hóa. Tuy nhiên, như đã thảo luận trước đó, thiết lập giá trị phù hợp
Bảng 1
tóm tắt các đặc điểm ADEMO / D so với các thuật toán khác.
Thuật toán tối ưu hóa CRandF Chiến lược thích ứng Vùng lân cận kích thước
ADEMO / D Multiobjective / phân hủy cố định PM hoặc AP cố định
ENS-MOEA / D Multiobjective / phân hủy cố định cố định (1 chiến lược) Phỏng
ADAP-MODE Multiobjective / Pareto thống trị Phỏng (chương trình JADE) PM -
AdapSS Mono-mục tiêu Phỏng (chương trình JADE) PM hoặc AP -
Sade Mono-mục tiêu Phỏng Dựa trên tỷ lệ thành công -
JADE Mono-mục tiêu Phỏng cố định (1 chiến lược) - EPSDE Mono-mục tiêu Phỏng (hồ bơi của các thông số thành công) Hồ bơi của chiến lược thành công - SM Venske et al. Neurocomputing 127 (2014) 65-77 66 có thể dẫn đến chi phí tính toán cao do thời gian
quá trình thử nghiệm và báo lỗi và có thể không hiệu quả trong trường hợp giá trị các thông số lý tưởng "khác nhau trong quá trình tiến hóa. Trong văn học