It is interesting to ponder the que

It is interesting to ponder the question: ‘If the ideal objective vector is non-existent, what is its use?’ In most algorithms which are seeking to find Pareto-optimal solutions, the ideal objective vector is used as a reference solution (we are using the word ‘solution’ corresponding to the ideal objective vector loosely here, realizing that an ideal vector represents a non-existent solution). It is also clear from Figure 13 that solutions closer to the ideal objective vector are better. Moreover, many algorithms require the knowledge of the lower bound on each objective function to normalize objective values in a common range, a matter which we shall discuss later in Chapter 5.

Kết quả (Việt) 1:

Nó là thú vị để suy nghĩ về câu hỏi: 'Nếu các véc tơ khách quan lý tưởng là không tồn tại, những gì là việc sử dụng nó?' Trong hầu hết các thuật toán mà đang tìm kiếm để tìm giải pháp tối ưu Pareto, các véc tơ khách quan lý tưởng được sử dụng như là một giải pháp tài liệu tham khảo (chúng tôi đang sử dụng từ 'giải pháp' tương ứng với các véc tơ khách quan lý tưởng lỏng lẻo ở đây, nhận ra rằng một véc tơ lý tưởng đại diện cho một giải pháp không tồn tại). Nó là cũng rõ ràng từ hình 13 giải pháp tiến gần hơn đến mục tiêu vector lý tưởng tốt hơn. Hơn nữa, nhiều thuật toán đòi hỏi kiến thức của ràng buộc thấp hơn trên mỗi hàm mục tiêu để bình thường hóa các giá trị mục tiêu trong một phạm vi phổ biến, một vấn đề mà chúng tôi sẽ thảo luận về sau này trong chương 5.

Kết quả (Việt) 2:

Nó là thú vị để suy nghĩ về câu hỏi: "Nếu các vector mục tiêu lý tưởng là không tồn tại, sử dụng của nó là gì? ' Trong hầu hết các thuật toán mà đang tìm kiếm để tìm giải pháp tối ưu Pareto, các vector mục tiêu lý tưởng được sử dụng như một dung dịch đối chiếu (chúng tôi đang sử dụng từ 'giải pháp' tương ứng với vector mục tiêu lí tưởng lỏng lẻo ở đây, nhận ra rằng một vector lý tưởng đại diện cho một phi giải pháp tồn tại). Nó cũng là rõ ràng từ hình 13 rằng các giải pháp gần gũi hơn với các vector mục tiêu lí tưởng là tốt hơn. Hơn nữa, nhiều thuật toán đòi hỏi kiến ​​thức của các ràng buộc thấp hơn trên mỗi hàm mục tiêu bình thường hóa các giá trị mục tiêu trong một phạm vi phổ biến, một vấn đề mà chúng ta sẽ thảo luận sau trong chương 5.