Fig. 3. Numbers of papers using eac

Fig. 3. Numbers of papers using each of the different types of SBO techniques: EAs are split into GA, GP, ES,
SS, EDA, PSO, and EAs. In this figure the stacked bar “EAs” represents the general class of all Evolutionary
Algorithms, while the top portion of bar labeled “EAs*” refers to the proportion of the literature that describes
itself as using an “evolutionary algorithm”, without further qualification or specification as to the type of
evolutionary algorithm used.

(3) It gives a sense of the landscape structure. Because HC performs a local search
and ascends the “nearest hill to the start point”, with multiple restarts, it can be
a quick and effective way of obtaining a first approximation to the structure of the
landscape.

These properties of HC make it well suited to new application areas of SBSE (or
indeed for any new optimization problem). The technique can be used to quickly and
reliably obtain initial results, test out a putative fitness function formulation, and to
assess the structure of the search landscape. In SBSE, where many new application
areas are still being discovered, HC denotes a useful tool: providing fast, reliable, and
understandable initial results. It should be tried before more sophisticated algorithms
are deployed.
Table III shows the venues in which SBSE publications have appeared. In total
the papers on SBSE have appeared in 201 different publication venues, which partly
explains why a survey like the present one is needed. This spread of publication venues
reveals that there are a wide range of publication outlets for SBSE work. The data
also indicate that SBSE work is achieving acceptance in the leading SE journals and
conferences as well as those from the SBO and OR communities. This reflects a healthy
profile of publication reaching all of the communities to which this work is relevant. It
bodes well for the development of the discipline.
Figure 4 presents a formal concept lattice of the literature on SBSE. Formal Concept
Analysis [Snelting 1998] is a technique that can be applied to tabular data that report
objects, attributes, and the binary relationships between them. A “concept” is a maximal
rectangle in the adjacency matrix of objects and attributes, that is, a concept denotes a
maximal set of objects that possess a given (also maximal) set of attributes.
The results of FCA are typically displayed as a concept lattice such as that presented
in Figure 4. The lattice exploits symmetry properties enjoyed by all concept spaces (the
details of which are beyond the scope of this article). These properties have been shown
to hold, irrespective of the particular choice of objects and attributes, thereby imbuing
FCA with an enduring appeal. In the case of Figure 4, the objectives are application
areas and the attributes are the search-based optimization techniques that have been

Kết quả (Việt) 1:

Hình 3. Số lượng giấy tờ bằng cách sử dụng mỗi người trong số các loại khác nhau của SBO kỹ thuật: EAs được chia thành GA, GP, ES, SS, thiết kế vi mạch, PSO và EAs. Trong này figure thanh xếp chồng lên nhau "EAs" đại diện cho các lớp học tổng quát của tất cả Evolutionary Thuật toán, trong khi phần trên của bar có nhãn "EAs *" đề cập đến tỷ lệ của văn học Mô tả bản thân như sử dụng một "tiến hóa thuật toán", mà không có thêm qualification hoặc sinh như loại tiến hóa thuật toán được sử dụng. (3) nó cho một cảm giác của cấu trúc cảnh quan. Bởi vì HC thực hiện một tìm kiếm địa phương và lên "ngọn đồi gần nhất đến khi bắt đầu", với nhiều khởi động lại, nó có thể một cách nhanh chóng và hiệu quả của việc thu thập một xấp xỉ vòng để cấu trúc của các cảnh quan. Các thuộc tính của HC làm cho nó cũng phù hợp với khu vực ứng dụng mới của SBSE (hoặc thực sự cho bất kỳ vấn đề tối ưu hóa mới). Các kỹ thuật có thể được sử dụng để nhanh chóng và đáng tin cậy có được kết quả ban đầu, kiểm tra ra một giả định fitness chức năng công thức, và để đánh giá cấu trúc của cảnh quan tìm. Ở SBSE, nơi nhiều các ứng dụng mới khu vực vẫn còn đang được phát hiện, HC biểu thị một công cụ hữu ích: cung cấp nhanh chóng, đáng tin cậy, và dễ hiểu kết quả ban đầu. Nó nên được xét xử trước khi các thuật toán phức tạp hơn được triển khai. Bảng III Hiển thị những địa điểm trong SBSE Ấn phẩm đã xuất hiện. Trong tổng số Các giấy tờ trên SBSE đã xuất hiện ở những địa điểm khác nhau xuất bản 201, mà một phần giải thích tại sao một cuộc khảo sát như một hiện nay cần thiết. Điều này lây lan trong xuất bản địa điểm cho thấy rằng có là một loạt các ấn phẩm cửa hàng cho công việc SBSE. Dữ liệu cũng chỉ ra rằng SBSE công việc đạt được chấp nhận trong các tạp chí hàng đầu Tây-Tây Bắc và Hội nghị cũng như những người từ SBO và hoặc cộng đồng. Này reflects một lành mạnh profile công bố đạt tất cả các cộng đồng mà công việc này là có liên quan. Nó bodes tốt cho sự phát triển của kỷ luật. Hình 4 trình bày một lưới chính thức khái niệm của các tài liệu về SBSE. Khái niệm chính thức Phân tích [Snelting 1998] là một kỹ thuật có thể được áp dụng cho dữ liệu dạng bảng báo cáo các đối tượng, thuộc tính, và các mối quan hệ nhị phân giữa chúng. Một khái niệm"" là một tối đa hình chữ nhật trong ma trận kề của các đối tượng và thuộc tính, có nghĩa là, một khái niệm là bắt một thiết lập tối đa của các đối tượng có một bộ thuộc tính nhất định (tối đa cũng). Kết quả của FCA thường hiển thị dưới dạng lưới khái niệm ví dụ như trình bày trong hình 4. Mạng khai thác thuộc tính đối xứng rất thích bằng tất cả khái niệm dấu (các Các chi tiết đều vượt ra ngoài phạm vi của bài viết này). Các thuộc tính này đã được chỉ ra để tổ chức, bất kể sự lựa chọn cụ thể của đối tượng và thuộc tính, do đó imbuing FCA với một kháng cáo lâu dài. Trong trường hợp của con số 4, mục tiêu là ứng dụng khu vực và các thuộc tính là các kỹ thuật tối ưu hóa tìm kiếm dựa trên đã

Kết quả (Việt) 2:

Hình. 3. Số lượng giấy tờ sử dụng mỗi loại khác nhau của các kỹ thuật SBO: địa bàn được chia thành GA, GP, ES,
SS, thiết kế vi mạch, PSO, và địa bàn. Trong Hình vẽ fi này thanh xếp chồng lên nhau "địa bàn" đại diện cho lớp chung của tất cả các tiến hóa
thuật toán, trong khi phần trên cùng của thanh nhãn "địa bàn *" là tỷ lệ của các tài liệu mô tả
chính nó như là sử dụng một "thuật toán tiến hóa", mà không có thêm quali fi cation hoặc Speci fi cation như các loại hình của
thuật toán tiến hóa sử dụng. (3) Nó cung cấp cho một cảm giác của cấu trúc cảnh quan. Bởi vì HC thực hiện tìm kiếm địa phương và bay lên những "ngọn đồi gần nhất với điểm bắt đầu", với nhiều khởi động lại, nó có thể là một cách nhanh chóng và hiệu quả có được một xấp xỉ fi đầu tiên để cấu trúc của cảnh quan. Các tính chất của HC làm cho nó phù hợp cho lĩnh vực ứng dụng mới của SBSE (hoặc thực sự cho bất kỳ vấn đề tối ưu hóa mới). Kỹ thuật này có thể được sử dụng để nhanh chóng và đáng tin cậy có được kết quả bước đầu, kiểm tra một fi tness xây dựng chức năng giả định, và để đánh giá cấu trúc của cảnh quan tìm kiếm. Trong SBSE, nơi có nhiều ứng dụng mới khu vực vẫn đang được phát hiện, HC có nghĩa là một công cụ hữu ích: cung cấp nhanh chóng, đáng tin cậy, và kết quả bước đầu điều dễ hiểu. Nó nên được thử trước khi các thuật toán phức tạp hơn được triển khai. Bảng III cho thấy các địa điểm trong đó ấn SBSE đã xuất hiện. Trong tổng số các giấy tờ trên SBSE đã xuất hiện ở 201 địa điểm công bố khác nhau, trong đó một phần giải thích tại sao một cuộc khảo sát như một hiện nay là cần thiết. Sự lan tràn của địa điểm công bố cho thấy rằng có một loạt các cửa hàng công bố cho công việc SBSE. Các dữ liệu cũng chỉ ra rằng việc SBSE đang đạt được chấp nhận trong các tạp chí hàng đầu SE và hội nghị cũng như những người từ SBO và OR cộng đồng. Lại này phản fl khỏe mạnh pro fi le công bố đạt tất cả các cộng đồng mà công việc này là có liên quan. Đó là tín hiệu tốt cho sự phát triển của kỷ luật. Hình 4 trình bày một khái niệm mạng chính thức của các tài liệu về SBSE. Khái niệm chính thức phân tích [Snelting 1998] là một kỹ thuật có thể được áp dụng cho các bảng dữ liệu báo cáo đối tượng, thuộc tính, và các mối quan hệ nhị phân giữa chúng. Một "khái niệm" là một tối đa hình chữ nhật trong ma trận kề của các đối tượng và thuộc tính, đó là một khái niệm biểu thị một tập hợp tối đa của các đối tượng mà có một định (cũng tối đa) tập các thuộc tính. Kết quả của FCA thường được hiển thị như là một khái niệm lattice như được trình bày trong hình 4. khai thác mạng đối xứng thuộc tính được hưởng tất cả các không gian khái niệm (các chi tiết trong đó nằm ngoài phạm vi của bài viết này). Các tính chất này đã được chứng minh để giữ, không phụ thuộc vào sự lựa chọn đặc biệt của các đối tượng và các thuộc tính, do đó imbuing FCA với một hấp dẫn lâu dài. Trong trường hợp của hình 4, các mục tiêu là ứng dụng các khu vực và các thuộc tính là các kỹ thuật tối ưu hóa dựa trên tìm kiếm đã được