But basic difference between multi-

But basic difference between multi-objective
optimization and the simple-target optimization lies in
taking the influence of multiple goals into consideration
in the meanwhile during the process of seeking
optimization, thus causing the entire community to evolve
in the direction that does not evolution which does not
increase the function value of multiple goals. When
solving simple-target optimization by estimation of
distribution algorithms, the renewal of probability vector
is carried on according to the distribution of the main
body of the highest part of adaptation value, then the
adaptation value of multiple goals should be considered
simultaneously in the renewal of probability vector in
multi-objective optimization. Therefore the order may be
listed separately according to the adaptation value of each
objective function to select multiple sub-communities as
the best representatives of different goal compatibility
separately, just as model worker delegation in various trades, and then renew the probability vector according to
various subgroups.
With the development of estimation of distribution
algorithm and the advantages revealed when this
algorithm is used to solve certain problems, some
multi-objective optimization algorithms based on the idea
of estimation of distribution have been proposed one after
another. Khan combined selective strategies in NSGA-II
and Bayesian optimization algorithm (BOA) together,
proposed multiple-objective Bayesian optimization
algorithm (MBOA) [10], and achieved better results than
NSGA-II. Laumanns combines SPEA2 and BOA for
solving multi-objective Knapsack problem [11]. Scholars
such as Zhang and Zhou introduce RM-MEDA [8], a
more classic algorithm for solving multi-objective
optimization by estimation of distribution algorithm

Kết quả (Việt) 1:

Các khác biệt cơ bản nhưng giữa đa mục tiêutối ưu hóa và tối ưu hóa đơn giản-mục tiêu nằm trongảnh hưởng của nhiều mục tiêu cân nhắctrong khi đó trong quá trình tìm kiếmtối ưu hóa, do đó gây ra toàn bộ cộng đồng để phát triểntheo hướng đó không không tiến triển mà khôngtăng giá trị hàm mục tiêu nhiều. Khigiải quyết đơn giản-mục tiêu tối ưu hóa bằng cách ước lượng vềthuật toán phân phối, sự đổi mới của xác suất vectorđược thực hiện theo phân phối chínhcơ thể của phần cao nhất của các giá trị thích ứng, sau đó cácthích ứng giá trị của nhiều mục tiêu cần được xem xétđồng thời trong gia hạn xác suất vector trongđa mục tiêu tối ưu hóa nhất. Do đó theo thứ tự có thểliệt kê một cách riêng biệt theo giá trị thích ứng của mỗi ngườihàm mục tiêu để chọn nhiều cộng đồng nhỏ nhưCác đại diện tốt nhất của khả năng tương thích khác nhau mục tiêuriêng, chỉ như là mô hình nghiệp đoàn trong các ngành nghề khác nhau, và sau đó làm mới vector xác suất theophân nhóm khác nhau.Với sự phát triển của các dự toán phân phốithuật toán và những lợi thế tiết lộ khi điều nàythuật toán được sử dụng để giải quyết vấn đề nhất định, một sốthuật toán tối ưu đa mục tiêu dựa trên ý tưởngsố dự toán phân phối đã được đề xuất một saukhác. Khan kết hợp các chiến lược chọn lọc trong NSGA-IIvà Bayes tối ưu hóa thuật toán (BOA) với nhau,đề xuất nhiều mục tiêu tối ưu hóa Bayesthuật toán (MBOA) [10], và đạt được kết quả tốt hơnNSGA-II. Laumanns kết hợp SPEA2 và BOA chogiải quyết vấn đề Knapsack đa mục tiêu [11]. Học giảchẳng hạn như trương và chu giới thiệu RM-MEDA [8], mộtCác thuật toán cổ điển hơn để giải quyết các đa mục tiêutối ưu hóa bởi ước tính của thuật toán phân phối

Kết quả (Việt) 2:

Nhưng sự khác biệt cơ bản giữa đa mục tiêu
tối ưu hóa và tối ưu hóa đơn giản là mục tiêu nằm trong
việc ảnh hưởng của nhiều mục tiêu vào xem xét
trong khi đó trong quá trình tìm kiếm
tối ưu hóa, do đó làm cho toàn bộ cộng đồng để phát triển
theo hướng đó không có tiến triển mà không không
làm tăng giá trị chức năng của nhiều mục tiêu. Khi
giải quyết tối ưu hóa đơn giản là mục tiêu của dự toán của
thuật toán phân phối, sự đổi mới của vector xác suất
được thực hiện trên theo sự phân bố của chính
cơ thể của phần cao nhất của giá trị thích ứng, sau đó các
giá trị thích nghi của nhiều mục tiêu cần được xem xét
đồng thời trong việc đổi mới của vector xác suất trong
tối ưu hóa đa mục tiêu. Do đó, để có thể được
liệt kê một cách riêng biệt theo giá trị thích nghi của mỗi
hàm mục tiêu để chọn nhiều tiểu cộng đồng là
đại diện tốt nhất của tính tương thích mục tiêu khác nhau
riêng biệt, giống như đoàn mô hình lao động trong các ngành nghề khác nhau, và sau đó làm mới các vector xác suất theo
hình phân nhóm.
với sự phát triển của dự toán phân phối
các thuật toán và những ưu điểm tiết lộ khi này
thuật toán được sử dụng để giải quyết vấn đề nhất định, một số
thuật toán tối ưu đa mục tiêu dựa trên ý tưởng
của dự toán phân phối đã được đề xuất một sau khi
khác. Khan kết hợp chiến lược chọn lọc trong NSGA-II
và thuật toán tối ưu hóa Bayesian (BOA) với nhau,
đề xuất nhiều mục tiêu Bayesian tối ưu hóa
thuật toán (MBOA) [10], và đã đạt được kết quả tốt hơn so với
NSGA-II. Laumanns kết hợp SPEA2 và BOA cho
việc giải quyết các vấn đề Knapsack đa mục tiêu [11]. Các học giả
như Zhang và Zhou giới thiệu RM-MEDA [8], một
thuật toán cổ điển hơn cho việc giải quyết đa mục tiêu
tối ưu hóa bằng cách lập dự toán của thuật toán phân phối