Notably all the evolutionary approa

Notably all the evolutionary approaches discussed above have used a single objective and typically controlled bloat by imposing an (arbitrary) depth limit on the trees. A generic method using multi-objective genetic programming to automate the process of optimal feature extraction was first proposed by the present authors [23, 24]. Multi-objective optimization techniques (MOOs) have become an important research topic [35–39] due to the multi-objective nature of many real-world problems where the dilemma of conflicting objectives frequently occurs. Zhang & Rockett [40] implemented multi-objective genetic programming using the PCGP algorithm [39] and concluded that this algorithm is able to obtain statistically identical mis-classification errors over the investigated problems when compared to the SPEA2like SPGP algorithm [23], while the PCGP evolved trees were much smaller. Hence PCGP is used to implement the genetic search in this work. The PCGA method is a steady-state genetic algorithm – detailed information on PCGA can be found in [39].

Kết quả (Việt) 1:

Đáng chú ý là tất cả các phương pháp tiếp cận tiến hóa thảo luận ở trên có sử dụng một mục tiêu duy nhất và kiểm soát thường sưng lên bằng cách áp đặt một giới hạn (tùy ý) chiều sâu trên cây. Một phương pháp chung bằng cách sử dụng đa mục tiêu di truyền lập trình để tự động hoá quá trình khai thác tối ưu tính năng lần đầu tiên được đề xuất bởi các tác giả hiện nay [23, 24]. Đa mục tiêu tối ưu hóa kỹ thuật (MOOs) đã trở thành một chủ đề nghiên cứu quan trọng [35-39] do tính đa mục tiêu của nhiều vấn đề thế giới thực mà tiến thoái lưỡng nan của xung đột mục tiêu thường xuyên xảy ra. Trương & Rockett [40] thực hiện nhiều mục tiêu di truyền lập trình bằng cách sử dụng các thuật toán PCGP [39] và kết thúc thuật toán này có thể có được phân MIS-loại giống hệt thống kê lỗi trong các vấn đề tra khi so sánh với các thuật toán SPEA2like SPGP [23], trong khi PCGP phát triển cây đã nhỏ hơn nhiều. Do đó PCGP được sử dụng để thực hiện việc tìm kiếm di truyền trong công tác này. Phương pháp PCGA là thuật toán di truyền một trạng thái ổn định-các thông tin chi tiết trên PCGA có thể được tìm thấy trong [39].

Kết quả (Việt) 2:

Đáng chú ý là tất cả các phương pháp tiến hóa thảo luận ở trên đã sử dụng một sưng lên mục tiêu và thường kiểm soát duy nhất bằng cách áp đặt một (tùy ý) Giới hạn độ sâu trên cây. Một phương pháp chung sử dụng lập trình di truyền đa mục tiêu để tự động hóa quá trình khai thác tính năng tối ưu lần đầu tiên được đề xuất bởi các tác giả hiện nay [23, 24]. Đa mục tiêu kỹ thuật tối ưu (Moos) đã trở thành một chủ đề nghiên cứu quan trọng [35-39] do tính chất đa mục tiêu của nhiều vấn đề trong thế giới thực, nơi các vấn đề của các mục tiêu mâu thuẫn thường xuyên xảy ra. Zhang & Rockett [40] thực hiện lập trình di truyền đa mục tiêu bằng cách sử dụng thuật toán PCGP [39] và kết luận rằng thuật toán này là có thể có được các lỗi sai phân loại giống hệt nhau về mặt thống kê về những vấn đề nghiên cứu khi so sánh với các thuật toán SPEA2like SPGP [23], trong khi cây PCGP tiến hóa nhỏ hơn nhiều. Do đó PCGP được sử dụng để thực hiện việc tìm kiếm di truyền trong công việc này. Phương pháp PCGA là một thuật toán di truyền ổn định - thông tin chi tiết về PCGA có thể được tìm thấy trong [39].