A conclusion can be drawn based on

A conclusion can be drawn based on the transition from Equation (7.5) (derivative-based

approach) to Equation (7.10) (derivative-free approach) that even with these well-established

analytical methods, the stochastic nature of all the approaches cannot be avoided. This assump-
tion leads us to the choice of derivative-free stochastic optimization methods.

Evolutionary algorithms (Holland, 1975; Goldberg, 1989; Michalewicz, 1992; Fogel, 1995;

Eiben and Smith, 2007; Engelbrecht, 2007; Deb, 2008) are based on natural evolution and bio-
logical analogy and work on a population of potential solution of the parameters (or structure)

in parallel. EAs are particularly attractive due to their ability to explore an initially unknown

search space and to exploit this information to guide the subsequent search over generations

and identify useful subspaces in which the global minimum is located. The advantage of the

implicit mechanism is that the search consists of a combination of high-performance building

blocks discovered during past trials (De Jong, 1975). Very often the term ‘adaptation’ is used,

which is a process of modifying the parameters or the structure of the system. The character-
istic features of adaptation are accumulation and use of current information that compensates

the insufficient a priori information for the purpose of optimization. Different variants of

EAs, such as evolutionary programming, evolution strategies, genetic algorithms, genetic pro-
gramming, differential evolution and cultural algorithms, have been discussed in Chapter 6.

The purpose of this chapter is to explore EA-based approaches in different application and

problem domains.

EAs have been applied to higher-dimensional and real-world complex problems ranging

from simple optimization to multi-objective optimization and from simple evolution to sym-
biotic evolution of multiple species. In the last few decades, EAs have found wide-ranging

application domains – specifically, multi-objective optimization, co-evolutionary systems with

multiple populations and parallel evolutionary algorithms. The purpose of this chapter is to

demonstrate a few examples in each domain. New ideas and concepts have enriched the EA

paradigm, with new directions.

Kết quả (Việt) 1:

Một kết luận có thể được rút ra dựa trên sự chuyển đổi từ phương trình (7,5) (phái sinh dựa trêncách tiếp cận) với phương trình (7,10) (miễn phí bắt nguồn từ cách tiếp cận) ngay cả với những cũng thành lậpphương pháp phân tích, bản chất ngẫu nhiên của tất cả các phương pháp không thể tránh khỏi. Assump-tion dẫn chúng ta để lựa chọn phương pháp tối ưu hóa miễn phí phiên bản ngẫu nhiên.Tiến hóa thuật toán (Hà Lan, 1975; Goldberg, năm 1989; Michalewicz, 1992; Fogel, năm 1995;Eiben và Smith, 2007; Tiệc, 2007; Deb, 2008) được dựa trên sự tiến hóa tự nhiên và sinh học -hợp lý tương tự và làm việc trên một dân số các giải pháp tiềm năng của các tham số (hay cấu trúc)song song. EAs là đặc biệt hấp dẫn do khả năng của mình để khám phá một ban đầu không rõTìm kiếm space và để khai thác thông tin này để hướng dẫn tìm kiếm tiếp theo qua thế hệvà nhận ra hữu ích subspaces trong đó tối thiểu toàn cầu nằm. Lợi thế của cáccơ chế tiềm ẩn là tìm kiếm bao gồm một sự kết hợp của hiệu suất cao xây dựngkhối phát hiện trong thời gian thử nghiệm trong quá khứ (De Jong, 1975). Rất thường, thuật ngữ 'thích ứng' được sử dụng,đó là một quá trình của việc sửa đổi các tham số hoặc cấu trúc của hệ thống. Nhân vật-Anh tính năng thích ứng là tích lũy và sử dụng thông tin hiện tại bù đắpCác không đủ tiên thông tin cho mục đích tối ưu hóa. Các phiên bản khác nhau củaEAs, chẳng hạn như lập trình tiến hóa, chiến lược tiến hóa, thuật toán di truyền, di truyền pro-gramming, khác biệt tiến hóa và văn hóa thuật toán, đã được thảo luận trong chương 6.Mục đích của chương này là để khám phá EA dựa trên phương pháp tiếp cận trong ứng dụng khác nhau vàvấn đề tên miền.EAs đã được áp dụng cho các vấn đề phức tạp cao chiều và thực tế khác nhautừ tối ưu hóa đơn giản để tối ưu hóa đa khách quan và từ sự tiến hóa đơn giản để sym-sinh học tiến hóa của nhiều loài. Trong vài thập kỷ qua, EAs đã tìm thấy trên diện rộnglĩnh vực ứng dụng-cụ thể, nhiều mục tiêu tối ưu hóa, co tiến hóa hệ thống vớinhiều quần thể và thuật toán tiến hóa song song. Mục đích của chương này là đểchứng minh một vài ví dụ trong mỗi miền. Những ý tưởng mới và các khái niệm đã làm phong phú EAMô hình, với hướng dẫn mới.

Kết quả (Việt) 2:

Một kết luận có thể được rút ra dựa trên sự chuyển tiếp từ phương trình (7.5) (phái sinh dựa trên cách tiếp cận) để phương trình (7.10) (phái sinh miễn phí phương pháp) mà ngay cả với các thiết lập tốt các phương pháp phân tích, tính chất ngẫu nhiên của tất cả các phương pháp tiếp cận có thể không được tránh. Giả định này tion dẫn chúng ta đến việc lựa chọn các phương pháp tối ưu hóa ngẫu nhiên phái sinh miễn phí. Thuật toán tiến hóa (Hà Lan, 1975; Goldberg, 1989; Michalewicz, 1992; Fogel, 1995; Eiben và Smith, 2007; Engelbrecht, 2007; Deb, 2008) được dựa trên quá trình tiến hóa tự nhiên và sinh học tương tự hợp lý và làm việc trên một dân số của giải pháp tiềm năng của các thông số (hay cấu trúc) song song. Địa bàn đặc biệt hấp dẫn nhờ vào khả năng của mình để khám phá một ban đầu không rõ không gian tìm kiếm và khai thác thông tin này để hướng dẫn tìm kiếm tiếp theo qua nhiều thế hệ và xác định subspaces hữu ích, trong đó tối thiểu toàn cầu nằm. Các lợi thế của cơ chế tiềm ẩn là việc tìm kiếm bao gồm một sự kết hợp của các tòa nhà cao hiệu suất khối phát hiện trong quá trình thử nghiệm quá khứ (De Jong, 1975). Rất thường hạn 'thích nghi' được sử dụng, đó là một quá trình thay đổi các thông số hoặc cấu trúc của hệ thống. Việc trưng tính năng istic thích ứng là tích lũy và sử dụng các thông tin hiện hành đền bù những thiếu một thông tin tiên nghiệm với mục đích tối ưu hóa. Biến thể khác nhau của địa bàn, như lập trình tiến hóa, chiến lược tiến hóa, thuật toán di truyền, gen trình gramming, sự tiến hóa khác biệt và các thuật toán văn hóa, đã được thảo luận trong chương 6. Biện pháp của mục đích của chương này là để khám phá EA dựa trên ứng dụng khác nhau và lĩnh vực vấn đề. EAs đã được áp dụng cho các vấn đề phức tạp chiều cao và thực tế khác nhau, từ tối ưu hóa đơn giản để tối ưu hóa đa mục tiêu và quá trình tiến hóa từ đơn giản đến sym- tiến hóa sinh học của nhiều loài. Trong vài thập kỷ qua, các địa bàn đã tìm thấy rộng lĩnh vực ứng dụng - tối ưu hóa đặc biệt, đa mục tiêu, hệ thống đồng tiến hóa với nhiều quần và thuật toán tiến hóa song song. Mục đích của chương này là để chứng minh một vài ví dụ trong từng lĩnh vực. Ý tưởng và khái niệm mới đã làm phong phú EA mô hình, với những hướng đi mới.