2.3.3 No Artificial Fix-UpsIt is ne

2.3.3 No Artificial Fix-Ups
It is needless to say that most real-world optimization problems are naturally posed as a multi-objective optimization problem. However, because of the lack of a suitable means of handling multi-objective problems as a true multi-objective optimization problem in the past, designers had to innovate different fix-ups. We will discuss a number of such methods in the next chapter. Of these, the weighted sum approach and the e-constraint method are the most popularly used. In the weighted sum approach, multiple objectives are weighted and summed together to create a composite objective function. Optimization of this composite objective results in the optimization of individual objective functions. Unfortunately, the outcome of such an optimization strategy depends on the chosen weights. The second approach chooses one of the objective functions and treats the rest of the objectives as constraints by limiting each of them within certain pre-defined limits. This fix-up also converts a multi-objective optimization problem into a single-objective optimization problem. Unfortunately here too, the outcome of the single-objective constrained optimization results in a solution which depends on the chosen constraint limits.
Multi-objective optimization for finding multiple Pareto-optimal solutions elimi¬nates all such fix-ups and can, in principle, find a set of optimal solutions corre¬sponding to different weight and e-vectors. Although only one solution is needed for implementation, a knowledge of such multiple optimal solutions may help a designer to compare and choose a compromised optimal solution. It is true that a multi-objective optimization is, in general, more complex than a single-objective optimization, but the avoidance of multiple simulation runs, no artificial fix-ups, availability of efficient population-based optimization algorithms, and above all, the concept of dominance helps to overcome some of the difficulties and give a user the practical means to handle multiple objectives, a matter which was not possible to achieve in the past.

Kết quả (Việt) 1:

2.3.3 không có nhân tạo sửa chữa-upNó là không cần phải nói thực thế giới đặt vấn đề tối ưu hóa tự nhiên được đặt ra như là một vấn đề tối ưu hóa đa mục tiêu. Tuy nhiên, vì thiếu một phương tiện phù hợp để xử lý vấn đề đa khách quan như là một vấn đề thực sự tối ưu hóa đa mục tiêu trong quá khứ, nhà thiết kế đã phải đổi mới khác nhau sửa chữa-up. Chúng tôi sẽ thảo luận về một số những phương pháp trong chương kế tiếp. Trong số này, phương pháp tiếp cận tổng trọng và phương pháp e-hạn chế là phổ biến nhất được sử dụng. Trong phương pháp tiếp cận tổng trọng, nhiều mục tiêu được trọng và tổng kết với nhau để tạo ra một hàm mục tiêu hỗn hợp. Tối ưu hóa các mục tiêu hỗn hợp này kết quả trong tối ưu hóa chức năng mục tiêu cá nhân. Thật không may, kết quả của một chiến lược tối ưu hóa phụ thuộc vào trọng lượng được lựa chọn. Phương pháp thứ hai đã lựa chọn một trong mục tiêu hoạt động và xử lý phần còn lại của các mục tiêu là khó khăn bằng cách hạn chế mỗi người trong số họ trong một số giới hạn được xác định trước. Sửa chữa này mặc cũng chuyển đổi một vấn đề tối ưu hóa đa mục tiêu vào một vấn đề tối ưu hóa đơn-mục tiêu. Thật không may ở đây quá, kết quả của mục tiêu đơn hạn chế tối ưu hóa kết quả trong một giải pháp mà phụ thuộc vào giới hạn hạn chế được lựa chọn.Tối ưu hóa đa mục tiêu cho việc tìm kiếm nhiều tối ưu Pareto giải pháp elimi¬nates tất cả các sửa chữa-up và có thể, về nguyên tắc, tìm thấy một tập hợp các giải pháp tối ưu corre¬sponding trọng lượng khác nhau và e-vectơ. Mặc dù chỉ có một giải pháp là cần thiết cho việc thực hiện, một kiến thức như vậy nhiều giải pháp tối ưu có thể giúp một nhà thiết kế để so sánh và lựa chọn một giải pháp tối ưu bị xâm phạm. Nó là đúng là một tối ưu hóa đa mục tiêu là, nói chung, các phức tạp hơn so với một tối ưu hóa đơn-mục tiêu, nhưng tránh nhiều mô phỏng chạy, không có nhân tạo sửa chữa-up, sẵn có của các thuật toán tối ưu hóa dân dựa trên hiệu quả, và trên tất cả các khái niệm về sự thống trị giúp để khắc phục một số trong những khó khăn và cung cấp cho người dùng một phương tiện thực tế để xử lý nhiều mục tiêu, một vấn đề mà đã không thể đạt được trong quá khứ.

Kết quả (Việt) 2:

2.3.3 Không có nhân tạo Fix-Ups
Nó là cần thiết để nói rằng hầu hết các vấn đề tối ưu hóa thực thế giới tự nhiên được đặt ra như một vấn đề tối ưu hóa đa mục tiêu. Tuy nhiên, do thiếu một phương pháp thích hợp xử lý các vấn đề đa mục tiêu như là một vấn đề tối ưu hóa đa mục tiêu đúng trong quá khứ, các nhà thiết kế đã sáng tạo khác nhau fix-up. Chúng tôi sẽ thảo luận về một số phương pháp như vậy trong các chương tiếp theo. Trong số này, các phương pháp tiếp cận tổng trọng và phương pháp e-constraint là phổ biến nhất được sử dụng. Trong cách tiếp cận tổng trọng, nhiều mục tiêu được trọng và tổng kết lại với nhau để tạo ra một hàm mục tiêu composite. Tối ưu hóa này tổng hợp kết quả khách quan trong việc tối ưu hóa các chức năng mục tiêu cá nhân. Thật không may, kết quả của một chiến lược tối ưu hóa như vậy phụ thuộc vào trọng lượng chọn. Cách tiếp cận thứ hai chọn một trong những chức năng quan và đối xử với phần còn lại của mục tiêu là hạn chế bởi giới hạn mỗi người trong số họ trong một số giới hạn được xác định trước. Điều này sửa chữa-up cũng chuyển đổi một bài toán tối ưu đa mục tiêu vào một vấn đề tối ưu hóa đơn mục tiêu. Tiếc là ở đây quá, kết quả của những kết quả tối ưu hóa chế đơn mục tiêu trong một giải pháp mà phụ thuộc vào giới hạn chế lựa chọn.
Tối ưu hóa đa mục tiêu cho việc tìm kiếm nhiều giải pháp tối ưu Pareto-elimi¬nates tất cả như fix-up và có thể, về nguyên tắc, tìm thấy một tập hợp các giải pháp tối ưu corre¬sponding để cân khác nhau và e-vectơ. Mặc dù chỉ có một giải pháp là cần thiết cho việc thực hiện, một kiến thức của nhiều giải pháp tối ưu như vậy có thể giúp một nhà thiết kế để so sánh và lựa chọn một giải pháp tối ưu tổn hại. Đúng là một tối ưu hóa đa mục tiêu là, nói chung, phức tạp hơn một tối ưu hóa đơn khách quan, nhưng tránh nhiều mô phỏng chạy, không có nhân tạo sửa chữa-up, sẵn có của các thuật toán tối ưu hóa dựa trên dân số hiệu quả, và trên tất cả, các khái niệm về sự thống trị giúp để khắc phục một số khó khăn và cung cấp cho người dùng các phương tiện thực tế để xử lý nhiều mục tiêu, một vấn đề mà không thể đạt được trong quá khứ.