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 incorporated into the procedure of the multiobjective RPBIL and this hybrid algorithm is defined as RPBIL-DE.
The hybridisation is carried out in such a way 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).

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 được tích hợp vào các thủ tục của multiobjective RPBIL và thuật toán kết hợp này được định nghĩa là RPBIL DE. Lai thực hiện theo một cách rằng, cho mọi thế hệ, dân vừa được tạo ra từ các khay xác suất sẽ được tái kết hợp với các thành viên trong kho lưu trữ Pareto bằng phương tiện của nhà khai thác DE 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).

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 xảy ra.
Để giảm bớt vấn đề này, đột biến và crossover của DE [9] sẽ được đưa vào các thủ tục của RPBIL đa mục tiêu và thuật toán lai này được định nghĩa là RPBIL-DE.
Các lai được thực hiện theo cách đó, 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 chức năng thực hiện đánh giá.
Thêm các chi tiết của 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.
Các khái niệm về RPBIL là một loại đơn giản của dự toán phân phối các thuật toán (EDA).