Modified Genetic Algorithm is propo

Modified Genetic Algorithm is proposed as a statistical technique for obtaining approximate solutions to combinatorial optimization problems. The proposed algorithm is a combination of Genetic Algorithm (GA) and Hamming Scan algorithms. It combines the good methodologies of the two algorithms like global minimum converging property of GA algorithm and fast convergence rate of Hamming scan algorithm. The demerit of Hamming scan algorithm is that it gets stuck in the local minimum point because it has no way to distinguish between local minimum point and a global minimum point. Hence it is sub-optimal The drawback in Genetic algorithm is that it has a slow convergence rate because even though it may get closer to the global minimum point, it may skip it because of the methodology it employs. The MGA overcomes these drawbacks. It is quite effective to combine GA with Hamming Scan (HSA) Algorithm. GA tends to be quite good at finding generally good global solutions, but quite inefficient at finding the last few mutations to find the absolute optimum. Hamming Scan are quite efficient at finding absolute optimum in a limited region. Alternating MGA improve the efficiency of GA while overcoming the lack of robustness of HSA. MGA are introduced as a computational analogy of adaptive systems. They are modeled loosely on the principles of the evolution via natural selection, employing a population of individuals that undergo selection in the presence of variation-inducing operators such as mutation and recombination. A fitness function is used to evaluate individuals, and reproductive success varies with fitness.

Kết quả (Việt) 1:

Thuật toán di truyền sửa đổi được đề xuất như là một kỹ thuật thống kê để lấy gần đúng giải pháp cho các vấn đề tối ưu hóa tổ hợp. Các thuật toán được đề xuất là sự kết hợp của thuật toán di truyền (GA) và Hamming quét các thuật toán. Nó kết hợp các phương pháp tốt của các thuật toán 2 giống như toàn cầu bất động sản hội tụ tối thiểu của thuật toán GA và hội tụ nhanh tỷ lệ Hamming quét thuật toán. Demerit Hamming quét thuật toán là nó bị mắc kẹt trong thời điểm tối thiểu địa phương vì nó đã không có cách nào để phân biệt giữa điểm tối thiểu địa phương và toàn cầu điểm tối thiểu. Do đó nó là tiểu tối ưu nhược điểm trong thuật toán di truyền là nó có một tỷ lệ chậm hội tụ bởi vì mặc dù nó có thể nhận được gần gũi hơn với tối thiểu điểm toàn cầu, nó có thể bỏ qua nó vì các phương pháp nó sử dụng. NGƯƠI vượt qua những hạn chế. Nó là khá hiệu quả để kết hợp các GA với các thuật toán quét Hamming (HSA). GA có xu hướng được khá giỏi trong việc tìm kiếm giải pháp toàn cầu nói chung là tốt, nhưng khá kém hiệu quả tại tìm đột biến vài lần để tìm kiếm tối ưu tuyệt đối. Hamming quét khá hiệu quả tại tìm kiếm tuyệt đối tối ưu trong một khu vực giới hạn. Xen kẽ thanh cải thiện hiệu quả của GA trong khi khắc phục thiếu sự mạnh mẽ của HSA. MGA được giới thiệu như là một tương tự tính toán của hệ thống thích nghi. Họ đều dựa lỏng lẻo vào các nguyên tắc của sự tiến hóa qua chọn lọc tự nhiên, sử dụng có dân số cá nhân trải qua các lựa chọn sự hiện diện của biến thể-inducing nhà khai thác như đột biến gen. Một chức năng thể dục được sử dụng để đánh giá cá nhân, và sinh sản thành công với thể dục khác nhau.

Kết quả (Việt) 2:

Được thay đổi thuật toán di truyền được đề xuất như là một kỹ thuật thống kê để thu thập các giải pháp gần đúng với bài toán tối ưu tổ hợp. Các thuật toán đề xuất là sự kết hợp của thuật toán di truyền (GA) và các thuật toán Hamming Scan. Nó kết hợp các phương pháp tốt của hai thuật toán như tài sản tụ tối thiểu toàn cầu của thuật toán GA và tốc độ hội tụ nhanh chóng của Hamming quét thuật toán. Những điều đáng chê của Hamming quét thuật toán là nó bị mắc kẹt trong những điểm tối thiểu địa phương vì nó không có cách nào để phân biệt giữa điểm tối thiểu địa phương và một điểm tối thiểu toàn cầu. Vì vậy nó là tối ưu phụ Hạn chế trong thuật toán di truyền là nó có một tốc độ hội tụ chậm bởi vì mặc dù nó có thể nhận được gần gũi hơn với điểm tối thiểu toàn cầu, nó có thể bỏ qua nó vì các phương pháp luận sử dụng nó. MGA khắc phục những nhược điểm. Nó là khá hiệu quả để kết hợp GA với Hamming Scan (HSA) Algorithm. GA có xu hướng được khá tốt trong việc tìm kiếm giải pháp toàn cầu nói chung tốt, nhưng khá hiệu quả trong việc tìm ra những đột biến cuối cùng để tìm sự tối ưu tuyệt đối. Hamming Scan là khá hiệu quả trong việc tìm kiếm tối ưu tuyệt đối trong một khu vực hạn chế. Xen kẽ MGA nâng cao hiệu quả của GA trong khi khắc phục sự thiếu vững mạnh của HSA. MGA được giới thiệu như là một tương tự tính toán của hệ thống thích nghi. Họ được mô phỏng một cách lỏng lẻo trên các nguyên tắc của sự tiến hóa qua chọn lọc tự nhiên, sử dụng một số dân của các cá nhân trải qua lựa chọn trong sự hiện diện của các nhà khai thác biến-inducing như đột biến và tái tổ hợp. Một chức năng tập thể dục được sử dụng để đánh giá cá nhân, và sinh sản thành công khác nhau với thể dục.