To measure the popularity of surrog

To measure the popularity of surrogate techniques used with Evolutionary Algorithms (see Figure 3.1-Right) we searched using queries such as: ”evolutionary algorithms” and ”neural network”. While the ranking of popularity of surrogate techniques is the same, the publications often correspond to the tuning of surrogate models (e.g., structures and weights of ANN, hyper-parameters of SVM) and not the surrogate-assisted optimization. Many publications only mention surrogate techniques but do not use them, other use them not for optimization but for, e.g., classification. Therefore, in order to estimate the popularity of techniques for surrogate-assisted optimization the absolute numbers should be divided by a factor from 10 to 50 for ANN and SVM and by some smaller factor for response surface and Kriging.

Kết quả (Việt) 1:

Để đo sự phổ biến của kỹ thuật thay thế được sử dụng với các thuật toán tiến hóa (xem hình 3.1 bên phải), chúng tôi tìm kiếm bằng cách sử dụng chẳng hạn như truy vấn: "tiến hóa thuật toán" và "mạng lưới thần kinh". Trong khi xếp hạng phổ biến của các thay thế kỹ thuật tương tự, các ấn phẩm thường tương ứng với những điều chỉnh của mô hình đại diện (ví dụ như, cấu trúc và trọng lượng của ANN, siêu thông số của SVM) và không hỗ trợ thay thế tối ưu. Nhiều ấn phẩm chỉ đề cập đến kỹ thuật thay thế nhưng không sử dụng chúng, khác sử dụng chúng không để tối ưu hóa, nhưng để, ví dụ, phân loại. Vì vậy, để ước tính sự phổ biến của các kỹ thuật để thay thế hỗ trợ tối ưu hóa các con số tuyệt đối sẽ được chia bởi một nhân tố từ 10 đến 50 cho ANN và SVM và bởi một số yếu tố nhỏ hơn cho các bề mặt phản ứng và Kriging.

Kết quả (Việt) 2:

Để đo lường sự phổ biến của các kỹ thuật thay thế sử dụng với tiến hóa thuật toán (xem hình 3.1-Right), chúng tôi đã tìm kiếm sử dụng các truy vấn như: "thuật toán tiến hóa" và "mạng lưới thần kinh". Trong khi các bảng xếp hạng phổ biến của kỹ thuật thay thế là cùng, các ấn phẩm thường tương ứng với sự điều chỉnh của các mô hình thay thế (ví dụ, cấu trúc và trọng lượng của ANN, siêu thông số của SVM) và không phải là tối ưu hóa thay thế hỗ trợ. Nhiều ấn phẩm chỉ đề cập đến các kỹ thuật thay thế nhưng không sử dụng, khác sử dụng chúng không để tối ưu hóa nhưng đối, ví dụ, phân loại. Do đó, để ước tính sự phổ biến của kỹ thuật để tối ưu hóa thay thế sự trợ giúp của những con số tuyệt đối nên được phân chia bởi một yếu tố 10-50 cho ANN và SVM và bởi một số yếu tố nhỏ hơn cho các bề mặt phản ứng và Kriging.