From the predecessor [6,7] , it has

From the predecessor [6,7] , it has been found that RPBIL has very good convergence rate compared to some established EAs .
Nevertheless , one weak point of the method is that , as the probability matrix relies on a current best solution , it could produce a population whose members are only the neighbours of the best solution . That means a premature convergence can possibly take place . In order to alleviate this problem , mutation and crossover of DE [9] will be in corporated into the procedure of the multiobjective RPBIL and this hybrid algorithmis defined as RPBIL-DE . The hybridisation is carried out in such away that , for every generation , a newly generated population from the probability trays will be recombined with members in
the Pareto archive by means of DE operators before performing function evaluation . More details of the procedure are given in Algorithm 3 where F is a scaling factor, pc is a DE crossover probability , and CR is the probability of choosing an element of an offspring c . The concept of RPBIL is a simple type of estimation of distribution algorithms (EDA) . The rationale for integrating DE operators into the procedure of RPBIL is because it has been reported that a hybrid of EDA and DE successfully improved evolutionary search performance for single objective optimisation . For example , the mixed distribution based univariate estimation of distribution algorithm (MUEDA) was employed in combination with DE in [43] . On the other hand,it has been shown that the use of a Gaussian model with diagonal covariance matrix (GM/DCM) for EDA combined with DE [38] . It has been shown that the hybrid versions were superior to their original EAs

Kết quả (Việt) 1:

Từ người tiền nhiệm [6,7], nó đã được thấy rằng RPBIL có tỷ lệ hội tụ rất tốt so với một số EAs được thành lập. Tuy nhiên, một trong những điểm yếu của phương pháp này là rằng, như ma trận xác suất dựa trên một giải pháp tốt nhất hiện tại, nó có thể sản xuất một dân số mà các thành viên là chỉ hàng xóm của giải pháp tốt nhất. Đó có nghĩa là một hội tụ sớm có thể có thể xảy ra. Để làm giảm bớt vấn đề này, đột biến và crossover de [9] sẽ trong corporated vào các thủ tục của multiobjective RPBIL và defined này algorithmis lai như RPBIL-DE. Lai được thực hiện trong đó đi rằng, cho mọi thế hệ, dân vừa được tạo ra từ các khay xác suất sẽ được tái kết hợp với các thành viên tronglưu trữ Pareto bằng phương tiện của DE nhà điều hành trước khi thực hiện chức năng đánh giá. Thêm chi tiết về các thủ tục được đưa ra trong thuật toán 3 nơi F là một hệ số tỷ lệ, pc là một xác suất chéo DE, và CR là xác suất của việc lựa chọn một phần tử của một con c. Khái niệm RPBIL là một loại đơn giản của các ước tính của thuật toán phân phối (EDA). Lý do cho việc tích hợp các nhà khai thác DE vào thủ tục RPBIL là bởi vì nó đã được báo cáo rằng một lai của thiết kế vi mạch và DE thành công cải thiện tìm tiến hóa hiệu suất cho tối ưu hóa mục tiêu duy nhất. Ví dụ, dự toán Véc hỗn hợp phân phối dựa trên thuật toán phân phối (MUEDA) được sử dụng kết hợp với DE trong [43]. Mặt khác, nó đã được chỉ ra rằng việc sử dụng một mô hình Gaussian với ma trận hiệp phương sai đường chéo (GM/DCM) cho thiết kế vi mạch kết hợp với DE [38]. Nó đã được chỉ ra rằng các phiên bản lai đã vượt trội so với của EAs ban đầu

Kết quả (Việt) 2:

Từ tiền thân [6,7], nó đã được tìm thấy rằng RPBIL có tốc độ hội tụ rất tốt so với một số địa bàn được thành lập.
Tuy nhiên, một điểm yếu của phương pháp này là, như ma trận xác suất dựa trên một giải pháp tốt nhất hiện nay, nó có thể sản xuất một dân số mà các thành viên chỉ có những người hàng xóm của các giải pháp tốt nhất. Điều đó có nghĩa là một sự hội tụ quá sớm có thể có thể diễn ra. Để giảm bớt vấn đề này, đột biến và crossover của DE [9] sẽ ở trong corporated vào các thủ tục của RPBIL đa mục tiêu và hybrid này algorithmis định nghĩa là RPBIL-DE. Việc lai giống được thực hiện trong đó đi mà, cho mọi thế hệ, một dân số được tạo mới từ các khay xác suất sẽ được kết hợp với các thành viên trong
các kho lưu trữ Pareto bằng phương tiện của các nhà khai thác DE trước khi thực hiện đánh giá chức năng. Xem thêm chi tiết về thủ tục được đưa ra trong Algorithm 3 đó F là một yếu tố rộng, máy tính là một DE chéo xác suất, và CR là xác suất của việc lựa chọn một phần tử của một con c. Khái niệm về RPBIL là một loại đơn giản của dự toán của các thuật toán phân phối (EDA). Lý giải cho việc tích hợp các nhà khai thác DE vào các thủ tục của RPBIL là bởi vì nó đã được báo cáo rằng một lai của thiết kế vi mạch và DE cải thiện hiệu suất thành công tìm kiếm tiến hóa để tối ưu hóa mục tiêu duy nhất. Ví dụ, dự toán đơn biến dựa trên phân phối hỗn hợp của thuật toán phân phối (MUEDA) đã được sử dụng kết hợp với DE trong [43]. Mặt khác, nó đã được chứng minh rằng việc sử dụng một mô hình Gaussian với ma trận hiệp biến đường chéo (GM / DCM) cho thiết kế vi mạch kết hợp với DE [38]. Nó đã được chứng minh rằng những phiên bản hybrid là vượt trội so với các địa bàn ban đầu của họ