Since genetic algorithms are stocha

Since genetic algorithms are stochastic, their performance usually varies from
generation to generation. As a result, a curve showing the average performance
of the entire population of chromosomes as well as a curve showing the
performance of the best individual in the population is a useful way of
examining the behaviour of a GA over the chosen number of generations.
Figures 7.7(a) and (b) show plots of the best and average values of the fitness
function across 100 generations. Thex-axis of the performance graph indicates
how many generations have been created and evaluated at the particular point
in the run, and they-axis displays the value of the fitness function at that point.
The erratic behaviour of the average performance curves is due to mutation.
The mutation operator allows a GA to explore the landscape in a random
manner. Mutation may lead to significant improvement in the population
fitness, but more often decreases it. To ensure diversity and at the same time to
reduce the harmful effects of mutation, we can increase the size of the
chromosome population. Figure 7.8 shows performance graphs for 20 generations of 60 chromosomes. The best and average curves represented here are
typical for GAs. As you can see, the average curve rises rapidly at the beginning of
the run, but then as the population converges on the nearly optimal solution, it
rises more slowly, and finally flattens at the end.

Kết quả (Việt) 1:

Kể từ khi các thuật toán di truyền là ngẫu nhiên, hiệu suất của chúng thường thay đổi từthế hệ sang thế hệ khác. Kết quả là, một đường cong đang hiện hiệu suất trung bìnhTổng số dân toàn bộ của nhiễm sắc thể và một đường cong Hiển thị cáchiệu suất của các cá nhân tốt nhất trong dân số là một cách hữu ích củakiểm tra các hành vi của một GA trong số lựa chọn của các thế hệ.Nhân vật 7.7(a) và (b) Hiển thị các âm mưu của các giá trị tốt nhất và trung bình của tập thể dụcchức năng trên 100 thế hệ. Thex-trục biểu đồ hiệu suất cho biếtlàm thế nào nhiều thế hệ đã được tạo ra và đánh giá tại thời điểm cụ thểtrong chạy, và họ trục Hiển thị giá trị của tập thể dục hoạt động vào thời điểm đó.Các hành vi thất thường của đường cong hiệu suất trung bình là do đột biến.Cho phép các nhà điều hành đột biến một GA để khám phá cảnh quan trong một ngẫu nhiêncách. Đột biến có thể dẫn đến các cải tiến quan trọng trong dân sốthể dục, nhưng nhiều hơn nữa thường xuyên làm giảm nó. Để đảm bảo sự đa dạng và cùng một lúc đểgiảm tác hại của đột biến, chúng tôi có thể làm tăng kích thước của cácdân số nhiễm sắc thể. Con số 7.8 Hiển thị đồ thị hiệu suất cho các thế hệ 20 của 60 nhiễm sắc thể. Các đường cong tốt nhất và trung bình đại diện ở đây làđiển hình cho khí. Như bạn có thể thấy, các đường cong trung bình tăng lên nhanh chóng vào đầuchạy, nhưng sau đó là dân hội tụ trên các giải pháp tối ưu gần, nótăng chậm hơn, và cuối cùng flattens vào cuối.

Kết quả (Việt) 2:

Kể từ khi các thuật toán di truyền là ngẫu nhiên, hiệu suất của chúng thường thay đổi từ
thế hệ này sang thế hệ khác. Kết quả là, một đường cong cho thấy hiệu suất trung bình
của toàn bộ dân số nhiễm sắc thể cũng như một đường cong cho thấy
hiệu suất của cá nhân tốt nhất trong dân số là một cách hữu hiệu để
kiểm tra hành vi của một GA trong số lựa chọn của các thế hệ.
Figures 7.7 (a) và (b) cho thấy âm mưu của các giá trị tốt nhất và trung bình của thể dục
chức năng trên 100 thế hệ. Thex trục của đồ thị hiệu suất chỉ ra
bao nhiêu thế hệ đã được tạo ra và đánh giá tại các điểm cụ thể
trong thời gian, và họ trục hiển thị giá trị của hàm thể dục tại thời điểm đó.
Các hành vi thất thường của các đường cong hiệu suất trung bình là do đột biến.
Các nhà điều hành đột biến cho phép một GA để khám phá những cảnh quan trong một ngẫu nhiên
cách. Đột biến có thể dẫn đến sự cải thiện đáng kể trong dân số
tập thể dục, nhưng thường xuyên hơn làm giảm nó. Để đảm bảo sự đa dạng và đồng thời để
làm giảm tác hại của đột biến, chúng ta có thể tăng kích thước của các
dân nhiễm sắc thể. Hình 7.8 cho thấy hiệu suất đồ cho 20 thế hệ của 60 nhiễm sắc thể. Các đường cong tốt nhất và trung bình đại diện ở đây là
điển hình cho khí. Như bạn có thể thấy, các đường cong trung bình tăng lên nhanh chóng vào đầu
chạy, nhưng sau đó khi dân hội tụ về các giải pháp tối ưu gần, nó
tăng chậm hơn, và cuối cùng flattens ở cuối.