Disertasi penerapan himpunan fuzzy di agen mobil pintar

Abstrak

Apa saja penerapan himpunan fuzzy di agen mobil pintar? 14.7 Hasil metode dan metode Dengan menggunakan prototipe ini, kami berhasil menerapkan teori himpunan fuzzy pada agen pengatur kecepatan dan jarak mobil dibandingkan dengan lulusan otomotif lainnya.

Contoh menjalankan program ini ditunjukkan pada Gambar 14.7 di bawah. Gambar 14.6 CoA hasil yang diperoleh (ditandai x). Gambar 14.7 Tampilan runtime  Aturan selanjutnya, – proyek kecerdasan mesin lulusan  .

Karena ini hanyalah prototipe, kami berasumsi bahwa lokasi kendaraan lain ditentukan menggunakan layanan GPS. Sejujurnya ini hanya simulasi, jadi ketika menerapkannya dalam kehidupan nyata kita perlu memperhatikan hal-hal berikut: ^ GPS ^ Implementasi perangkat keras ^ Koordinasi yang rumit antar bagian yang terlibat ^ Kesimpulan dari peraturan pemerintah.

^Dukungan Masyarakat/Masyarakat^ Berbagai Studi Kelayakan 14.8 Kemungkinan Perkembangan Disini kita hanya fokus pada posisi mobil/kendaraan di depan atau di belakang mobil lain, kita bisa mengembangkannya untuk semua kemungkinan posisi di jalan. Hal lain yang perlu diperhatikan antara lain: ^ Memindahkan benda di jalan, tidak hanya mobil/kendaraan wisuda.

Pendahuluan

Bagaimana Apa^Rintangan di jalan^Penempatan lampu lalu lintas^Masalah kemacetan di jalan^Distribusi lalu lintas multi jalur di jalan^Rute perjalanan yang efisien^Angkutan umum: darat, laut, atau udara.

Ya^Bagaimana dengan sistem militer?  Aturan selanjutnya, – Lulusan Kecerdasan Mesin.

Program 152 Apa itu anil simulasi genetik? Bab 15 Anil simulasi genetik. Bab ini memperkenalkan metode yang menggabungkan algoritma genetika (GA) dan simulasi anil (SA), yang disebut anil simulasi genetik (GSA). GSA jelas berkinerja lebih baik daripada GA saja atau SA saja karena masing-masing metode asli (yaitu GA saja atau SA saja) yang digunakan. Perpustakaan yang digunakan berasal dari Sirag dan Weisser [Sig87]; Adler [Adl93]; Brown et al. Studi pascasarjana.

Bagaimana dengan [Bro89]; Lin dkk. [Lin 93]; Akuzin Jr dkk. [Koa90, Koa92];Akuzin Jr dkk. [Koa96]. 15.1 Simulated Annealing Simulated annealing (SA) adalah metode penyempurnaan berulang yang digunakan untuk memecahkan masalah optimasi kombinatorial tingkat lanjut.

Bagaimana SA menghasilkan serangkaian solusi dan mencari solusi optimal sepanjang jalur pencarian ini. SA dimulai dari solusi awal x0. Pada setiap langkah, SA menghasilkan kandidat solusi x’ dengan mengubah kandidat solusi x’ menjadi subset dari solusi saat ini x’. SA menerima kandidat solusi sebagai solusi baru dengan probabilitas min (1, e-°f/T}, dimana Of = f(x’) – f(x) adalah pengurangan biaya dari solusi saat ini x ke kandidat solusi. x dan T adalah parameter kontrol yang disebut suhu. Kunci SA adalah menerima pergerakan ke atas dengan probabilitas e-ef/T. Hal ini memungkinkan SA menghindari minimum lokal.

Namun SA tidak dapat mencakup area solusi yang lebih besar dalam waktu komputasi yang terbatas karena SA sendiri didasarkan pada pergerakan kecil. Akuzinkozin dkk. Pseudocode diusulkan oleh SA. 【Koa96】Seperti yang ditunjukkan pada Gambar 15.1 di bawah.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

153 Algoritma SA_Algoritma Cara simulasi genetik (Na,T0,a){ x F x0; /* Solusi awal*/ TF T0; /* Suhu awal*/ Mahasiswa S3.

Apa itu while (sistem tidak membeku) { for (loop = 1;loop <- Na;loop++) { x’ F Mutate(x); Af F f(x’) – f(x); if (Af < 0 atau r < exp(-Af/T)) selesai, maka r F adalah bilangan acak antara 0 dan 1.

x F x’; } TFT * a /* suhu lebih rendah */ } return x } Dr.

Gambar 15.1 Implementasi Pseudocode SA 15.2 Genetic Signature Annealing Algoritma Genetika (GA) sudah dibahas pada Bab 7, sehingga tidak perlu dibahas lagi. Kita hanya perlu menggabungkan konsep GA dan SA untuk mendapatkan metode yang disebut dengan Genetic Simulated Annealing (GSA). Untuk meningkatkan kinerja GA dan SA, beberapa algoritma crossover telah diusulkan. Lulus dari Australia Selatan.

Bagaimana Sirag dan Weisser [Sig87] mengusulkan operator genetik termodinamika yang mencakup skema anil yang mengontrol kemungkinan terjadinya mutasi. Sementara itu, Adler [Adl93] menggunakan fungsi penerimaan berbasis SA untuk mengontrol kemungkinan penerimaan solusi baru yang dihasilkan oleh mutasi. Sebuah studi terbaru berdasarkan hibridisasi GA dilakukan oleh Brown et al. melaksanakan. Metode SAGA (Simulated Annealing Genetic Algorithm) diusulkan. Dari [Bro89] dan Lin dkk. Metode anil genetik (AG) diusulkan. [Lin 93] Mahasiswa doktoral.

Bagaimana metode berbasis SA dan berbasis GA membagi “generasi” menjadi dua fase: fase GA dan fase SA. GA menggunakan operator crossover untuk menghasilkan serangkaian solusi baru, dan kemudian SA menyempurnakan setiap solusi dalam populasi.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

Bab 154 Bagaimana dengan anil simulasi genetik? SAGA menggunakan rencana anil yang sama untuk setiap level SA, sementara AG mencoba mengoptimalkan rencana yang berbeda untuk level SA yang berbeda. Metode crossover berdasarkan algoritma genetika yang disebutkan di atas mencoba untuk mengintegrasikan karakteristik pendakian acak lokal ke dalam algoritma genetika. Metode crossover berbasis algoritma genetika memerlukan komputasi yang intensif karena memerlukan SA yang lengkap setiap generasi, dan jumlah generasi biasanya sangat banyak.

Ada sisi lain: metode crossover berbasis SA mencoba melakukan operasi crossover global dari GA ke SA. Anil simulasi genetik paralel (PGSA) yang diusulkan oleh Koakutsu dkk. [Koa90, Koa92] adalah versi paralel SA yang menyertakan fungsionalitas GA. Pada proses pencarian paralel berbasis SA, crossover digunakan untuk menghasilkan solusi baru dan memperluas jangkauan pencarian SA. 15.3 Cara kerja GSA GSA dikembangkan oleh Koakutsu dkk. dikembangkan. saran. Studi pascasarjana.

Bagaimana dengan [Koa96]. Sementara PGSA menghasilkan benih SA untuk penelusuran lokal secara paralel, yaitu urutan penerapan setiap penelusuran lokal SA bersifat independen, GSA menghasilkan benih SA secara berurutan dibandingkan dengan semua penelusuran lokal sebelumnya di SA, yaitu – jauh). Pendekatan sekuensial ini tampaknya memberikan solusi yang lebih baik bagi anak-anak. Selain itu, GSA menggunakan lebih sedikit operasi crossover dibandingkan dengan PGSA karena operasi crossover digunakan dalam ruang solusi yang dipelajari hanya ketika pencarian SA lokal mencapai permukaan datar dan diperlukan lompatan.

Bagaimana GSA mengubah status lulusan minoritas menjadi x?

Jika kandidat solusi diterima sebagai solusi baru, probabilitasnya adalah min {1, e-°f/T}.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

155 Bagaimana GSA menganil simulasi genetik? Selama proses pencarian lokal berdasarkan SA, apakah nilai solusi optimal lokal sebelumnya x*L dipertahankan? Ketika pencarian mencapai bidang horizontal atau sistem ditemukan membeku (tidak dipindahkan ke titik baru), GSA menggunakan crossover berbasis GA untuk menghasilkan lompatan yang lebih besar dalam ruang solusi. GSA secara acak memilih pasangan solusi induk xj dan xk dari populasi. Di akhir setiap penelusuran lokal berbasis SA, GSA memperbarui populasi dengan mengganti solusi saat ini xi dengan solusi lokal terbaik x*L dari lulusan sebelumnya.

Cara menghentikan GSA ketika waktu CPU mencapai batas tertentu dan melaporkan solusi x*G terbaik di dunia sejauh ini. Akuzinkozin dkk. Kode semu GSA yang diusulkan. [Koa96] Gambar 15.2 di bawah. GSA_Algorithm(Np, Na, T0, a) { XF {x1, …, XNp}; /* Inisialisasi grup*/ Mahasiswa S3.

Bagaimana x*LF solusi terbaik di X? /* Inisialisasi hasil lokal terbaik sejauh ini*/ x*GF x*L /* Inisialisasi hasil global terbaik sejauh ini*/ while (batas waktu CPU tidak tercapai) { TF T0; /* Suhu inisialisasi*/ /* Lompat Pilih solusi terburuk xi dari X melalui transfer*/; Ph.D.

Kuncinya adalah mendapatkan dua solusi xj,xk; dari { for (loop = 1;loop <- Na;loop++) { x’ F Mutate(xi);

Berapakah Af F f(x’) – f(xi); r F bilangan acak antara 0 dan 1 jika (Af < 0 atau r < exp(-Af/T)) xi F x’; if (f ( xi ) < f(x*L)) x*LF xi; /* Pembaruan lokal terbaik saat ini */ lulus.

} TFT * a /* Suhu lebih rendah*/ } if (f(x*L) < f(x*G)) x*GF x*L; /* Perbarui data global terbaik sejauh ini*/ /* Populasi* / lulusan terbaru.

Berapakah xi F x*L; f(x*L) F+oo; /* Hasil lokal terbaik sebelum reset*/ } return x*G; Gambar 15.2 Pseudocode GSA mahasiswa pascasarjana.

Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin 156.

Apa itu anil simulasi genetik? ^ Kunci SA adalah menghasilkan keuntungan dengan probabilitas e-of/T^. Hal ini memungkinkan SA untuk menghindari minimum lokal yang terlambat.

Ya^, tetapi SA tidak dapat mencakup area ruang solusi yang luas dalam waktu komputasi yang terbatas karena SA didasarkan pada gerakan kecil^ GSA menghasilkan benih SA satu per satu, yaitu benih pencarian SA lokal bergantung pada solusi terbaik, jadi tidak hanya mencari solusi lokal di semua SA. ^Pendekatan sekuensial ini tampaknya menghasilkan sub-solusi yang lebih baik^ GSA menggunakan lebih sedikit operasi crossover, karena operasi crossover hanya digunakan ketika pencarian SA lokal mencapai permukaan datar dan perlu beralih ke solusi spasial. ^ GSA diusulkan untuk mengatasi masalah ruang solusi SA yang tidak dapat mencakup area yang luas dan mencari area lokal dari ruang solusi GA.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

Cara menjadi pemohon GSA setelah menyelesaikan RDB (1) 157.

Bab 16 Cara Menerapkan GSA di RDB (1) Bab ini mengimplementasikan GSA yang dibahas di Bab 15, yaitu kasus estimasi nilai nol saat membuat aturan fuzzy berbobot yang diterapkan pada database relasional. Perpustakaan yang digunakan berasal dari Sirag dan Weisser [Sig87]; Adler [Adl93]; Brown et al. [89 Saudara]; Lin dkk. [Lin 93]; Akuzin Jr dkk. [Koa90, Koa92];Akuzin Jr dkk. Studi pascasarjana.

Betapa benarnya [Koa96]; SM Chen dan CM Huang [Chen03]; dan yang terpenting dari hasil penelitian penulis sendiri [Sub05a]. Nama aplikasi: GSA, digunakan untuk memperkirakan nilai null saat menghasilkan aturan fuzzy berbobot dari database relasional. Pada bab ini kita membahas penerapan GSA (Genetic Simulated Annealing) pada database relasional (RDB). Aplikasi ini menggunakan aturan fuzzy berbobot untuk memperkirakan/menghasilkan nilai dari nilai null dalam database relasional, seperti yang ditunjukkan sebelumnya di Bab 12, “Studi Pascasarjana”.

Bagaimana lagi Anda ingat bahwa nilai null di sini bisa terjadi karena bug/bencana yang merusak catatan database, atau nilai sebenarnya tidak ditentukan sebelumnya? Seperti yang telah disebutkan pada Bab 12, kelebihan aplikasi ini adalah dapat memulihkan/memprediksi null, sehingga database yang sebelumnya terkorupsi oleh null dapat berjalan lebih baik/tanpa null seperti biasanya. basis data. 16.1 Bab 12 menjelaskan dengan jelas konsep dasar himpunan fuzzy. 16.2 Himpunan fuzzy dalam database relasional untuk lulusan perguruan tinggi dijelaskan dengan jelas di Bab 12.2.

Bagian 12 Cara menjelaskan dengan jelas arti persamaan 16.3.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

Bagaimana GSA diterapkan pada RDB (1) 158 Rumus yang digunakan pada 16.4 dijelaskan dengan jelas di Bab 16.4 Gunakan derajat GSA untuk memperkirakan nilai nol di RDB.

Apa Seudocode untuk proses evaluasi dan seleksi yang optimal untuk program GSA kita, seperti yang ditunjukkan pada Gambar 16.1 di bawah? Procedure EvaluationAndBestSelection{Temukan solusi terbaik dalam populasi. Selain itu, LocalBestChromosomeSoFar dan GlobalBestChromosomeSoFar diinisialisasi: Derajat XF {x1,…,XNp}; {populasi inisialisasi}.

Bagaimana x*LF solusi terbaik di X? {Inisialisasi optimal lokal sebelumnya} x*GF x*L {Inisialisasi optimal global sebelumnya} FitnessDegreeEval F FitnessDegree optimal global sebelumnya} untuk i:= 1 hingga awal aljabar TF T0; luasnya.

Apa peringkat dan pilihan terburuknya? {Pilih solusi terburuk xi

Prosesnya untuk i:= 0 sampai bilangan mutasi f(xi) F Tentukan kebugaran kromosom sebelum mutasi x’ F Mutasi(xi) f(x’) F Tentukan kebugaran kromosom setelah mutasi Af F f(xi) – f ( x ‘) r F Angka acak antara 0 dan 1.

ft F f(x’) if (Af >= 0) atau (r >= exp(-Af/T)) Jadi bagaimana memulai xi F x’; ft F f(xi); end; if (ft >= FitnessDegreeEval ) dan kemudian wisuda dimulai.

Bagaimana dengan x*LF xi; {perbarui kebugaran lokal terbaik sejauh ini} FitnessDegreeEval F ft FDLocalBestSoFar F ft {menentukan kebugaran lokal terbaik} end end TFT * a; {suhu lebih rendah}Mahasiswa PhD.

Cara mendapatkan T <= FrozenValue; Hitung Kedekatan (x*L); {Dapatkan FD dari LocalBestChromosomeSoFar} AvgError:= AvgError / NumData; FDLocalBestSoFar:= 1 – Kesalahan Rata-rata; Hitung Kedekatan (x*G); {Dari GlobalBestChromosomeSoFar FD } Mahasiswa PhD.

Apa itu AvgError:= AvgError / NumData; FDGlobalBestSoFar:= 1 – kesalahan rata-rata; jika FDLocalBestSoFar >= FDGlobalBestSoFar, mulai x*GF x*L; {tanggal terbaik global sebelum pembaruan} FitnessDegreeEval:= FDGlobalBestSoFar;  Aturan selanjutnya, – lahirnya Machine Intelligence Ph.D.

Bagaimana mahasiswa PhD RDB menyelesaikan 159 aplikasi GSA (1).

Berapa skornya; xi F x*L; {Pembaruan populasi} akhir; Gambar 16.1 Pseudocode dari proses EvaluationAndBestSelection. Pseudocode untuk prosedur CountCloseness ditunjukkan pada Gambar 16. Proses keintiman CountCloseness.

Berapa kesalahan rata-rata: = 0,0; untuk i:= 0 hingga NumData – 1 mulai {berdasarkan semua data yang tersedia} BestClosenessEval:= MaxInt; IdxClosestCloseness:= i; untuk j:= 0 hingga NumData – 1 jika i < > j Studi Pascasarjana Kemudian mulailah.

Apa yang terjadi jika Rank(Ti.X) >_ Rank(Tj := 1/Similarity(Ti.X)) ?

Bagaimana xweight(Tj.Experience); diimplementasikan? end; {temukan tuple yang paling dekat dengan 1.0 sebagai a} {tuple yang paling dekat dengan tuple Ti} ClosestCloseness:= Abs(1 – ClosenessE); Lewati start jika ClosestCloseness <= BestClosenessEval.

BestClosenessEval:= Apa itu ClosestCloseness; IdxClosestCloseness := j;End;End; {Kemudian kita mencari perkiraan gaji dan error untuk setiap record. } {Jika dataset kosong, kita perlu mencari lulusan.

Apa yang terjadi jika IsNullValue(i) dan IsNullValue(IdxClosestCloseness), PreferIdx:= GetPreferIdx; lalu mulai {kumpulan data lain yang paling dekat dengan 1}; ETi.Salary:= Ti.Salary x GetClosenessValue(PreferIdx); if Tprefer- index.Salary < > 0 maka permasalahan terselesaikan.

Error i:= ET Content T .Salary i.- Pilih indeks Index-Tprefer .Salary untuk mengakhiri, jika tidak mulai ETi.Salary:= Ti.Pembelajaran pascasarjana.

Apa itu Gaji x GetClosenessValue(IdxClosestCloseness); Jika Ti.Gaji <> 0, maka Errori:= ETi. Gaji^Ti. Ti konten konten akhir; mahasiswa PhD.

AvgError := AvgError + Abs(Error);end;Gambar 16.2 Pseudocode proses CountCloseness Ti .Experience T Experience j. Pengalaman menjadi lulusan.

Apa itu Tj? Pengalaman . Konsultasi tesis  Subakti, mahasiswa PhD di bidang kecerdasan mesin.

Bagaimana penerapan GSA pada RDB(1)? 160 Pseudocode fungsi GetClosenessValue ditunjukkan pada Gambar 16. Fungsi GetClosenessValue(Idx) Hasil F Menemukan nilai yang sama di ClosenessE dengan indeks penutup Idx.

Gambar 16.3 Apa kodesemu dari fungsi GetClosenessValue(Idx)? Pseudocode fungsi GetPreferIdx ditunjukkan pada Gambar 16.4 di bawah. Fungsi GetPreferIdx Hasil F Menemukan nilai dalam ClosenessE yang paling dekat dengan 1 tetapi tidak nol. 16.5 Percobaan Gambar 16.4 Pseudocode fungsi GetPreferIdx mahasiswa pascasarjana.

Apa yang terjadi jika kita menjalankan program ini sepuluh kali, setiap kali dengan parameter berbeda? Hasil yang diperoleh adalah sebagai berikut: Jenis percobaan 1^Laju mutasi=0,01=1%^Suhu awal=100 mahasiswa pascasarjana.

^ Alpha = 0.7 ^ Frozen Value = 0.00001 ^ Null Index = 21 (Artinya baris/tupel pada database relasional ada 22) Bentuk dan hasil program ditunjukkan pada Gambar 16.5 di bawah ini.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

Aturan selanjutnya, – Bagaimana RDB GSA dalam Applied Machine Intelligence (1) 161 Gambar 16.5 Tampilan program dan hasil eksperimen sekelompok lulusan.

Hasil tambahan ditunjukkan pada Tabel 16.1-16.4 di bawah. Tabel 16.1 Hasil Percobaan Tipe 1 1 Ukuran Populasi 30 Generasi 100 Proses # Rata-rata Studi Pascasarjana.

Perkiraan Jam Menit Detik Stok Pabrik Detik Kesalahan 1 0,01162 0 2 16 781 0H: 2m: 781ms 2 0,009827 0 2 10 844 0H: 2m: 10S: 844ms 3 0,008853 0 2 36 797 0H: 2m: 3 6 S: 79 7MS 4 0,008853 0 3 12 250 0j:3m:12s:250ms Selesai.

Kamis 2 44 46 0h:2m: 44s:46ms 9 0,006138 0 2 41 235 0h:2m:41s:235ms 10 0,006138 0 2 32 515 0h:2m:32s:515ms Bagaimana kalau

Nilai minimum 0.006138 0 2 5 46 Nilai rata-rata 0.008184 0 2.2 27.5 510.9 Nilai maksimum 0.011162 0 3 45.844 Penerapan GSA pada RDB (1) 162 Tabel 16.2 Hasil eksperimen mahasiswa program doktor tipe 1 2.

Berapa rata-rata ukuran populasi untuk generasi 40 dan 150? Perkiraan jam, menit, detik – total waktu untuk menyelesaikan.

Apa kesalahan kedua? s 4 0,004907964 0 7 13 969 0 jam: 7m:13s:969ms 5 0,004907964 0 9 16 703 0j:9m:16s:703ms Selesai.

Ya Apa 8 milidetik 9 0 003153504 0 7 34 594 0 jam: 7 menit: 34 detik: 594 detik 10 0,003153504 0 7 39 406 0j: 7 menit: 39 detik: 406 detik menit 0,003153504 0 6 9 187 Wisuda.

Nilai rata-rata 0.006621554 0 7 29.2 570.3 Nilai maksimum 0.018120004 0 9 56 969 Tabel 16.3 Hasil percobaan tipe 1 3 Jumlah populasi 50 Jumlah mahasiswa program doktoral.

Jumlah rata-rata proses adalah 200 generasi#. Perkiraan Jam Menit Detik Milidetik Total Waktu Kesalahan Detik 1 0,009636727 0 10 36 531 0j:10m:36s:531ms 2 0,007631349 0 10 31 250 0j:10m:31s:250ms Lulus.

Bagaimana kalau Kamis 0.007631349 0 9 54 62 0H:9M:54S:62MS 7 0.007631349 0 9 50 469 0H:9M:50

Bagaimana dengan 9 0,006410408 0 9 53 828 0H: 9M: 53S: 828MS 10 0,006334942 0 9 45 610 0H: 9M: 45S: 45S: 610MS Min 0,00634942 0 9 31 62 Rata-rata 0,0 0 7 7 580152 0 9 . 2 46.5 521.9 Max 0.009636727 0 10 54 828  Aturan selanjutnya, – Mahasiswa Kecerdasan Mesin.

Bagaimana menjadi pelamar GSA untuk gelar RDB (1) 163.

Tabel 16.4 Hasil percobaan sama dengan tipe 1 4 Ukuran populasi 60 generasi 300 proses # Rata-rata perkiraan total kesalahan waktu dalam jam, menit, detik dan pecahan detik.

Jumlah milidetik untuk dieksekusi 4 0,004348226 0 20 30 125 0h:20m: 30s:125ms 5 0,004348226 0 20 27 78 0h:20m:27s:78ms 6 0,004348226 0 20 23 282 0h:2 0 m : 2 3 detik : 2 tangga nada 82 mili detik.

Kamis 78ms 10 0.004348226 0 20 30 16 0h:20m: 30s:16ms min 0.004348226 0 20 23 16 Rata-rata 0.006210197 0 20 28.7 367.2 Lulusan.

Nilai maksimumnya adalah 0.01365808 0 20 32.984 Tipe Eksperimen 2 ^ Laju Mutasi = 0.1 = 10% ^ Suhu Awal = 100 ^ Alpha = 0.7 ^ Nilai Pembekuan = 0.00001 Lulus.

Seperti apa ^null index = 21 (yang berarti baris/tuple dalam database relasional adalah 22)? Tampilan dan hasil program ditunjukkan pada Gambar 16.5-16.8 di bawah ini.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

Cara Penggunaan GSA di RDB (1) 164 Tabel 16.5 Hasil Eksperimen Tipe 2 1 Jumlah Populasi 30 Aljabar 100 Lulusan.

Jalankan 20 5 9 672 0 jam: 20 menit: 59 detik: 672 milidetik berlalu.

Cara menjalankannya 91ms 7 0.003712235 0 21 1 203 0h:21m : 1s:203ms 8 0.003194167 0 20 57 734 0h:20m:57s:734ms 9 0.003194167 0 21 2 641 0h:2 1 m : 2 detik: Dr. 641 milidetik.

10 0,003194167 0 21 10 687 0h:21m:10s:687ms Nilai minimum 0,003194167 0 20 1 125 Nilai rata-rata 0,005466245 0 20,5 38,8 545,3 Nilai maksimum 0,00905076 0 21 59 8 9 1 16.6 Jumlah hasil percobaan jenis kedua 2 : 40 lulusan siswa.

Cara dijalankannya menghasilkan 100# Estimasi Rata-Rata Jam Menit Detik Milidetik Total Waktu Error Detik 1 0.007768472 0 46 50 906 0h:46m:50s:906ms 2 0.007720671 0 47 0 282 0h:47m:0s: 282ms

Sama seperti Kamis 0,005177396 0 47 1 890 0H:47M:1S:890MS 7 0,004702165 0 47 57 57 907 0H:47M:47M:57S:57S:907MS 8 0,00387652 2 0 50 5 0 50 1 31 0 jam: 50M: 50M: 1S:31MS:31MS:31MS:31MS Lulusan.

adalah 9 0,003410507 0 50 9 594 0h:50m:9s:594ms 10 0,003410507 0 50 36 234 0h:50m:36s:234ms Minimum 0,003410507 0 46 0 15 Rata-rata 0,0054446 14 0 4 7,7 21 , 9 487,5 Maks 0,007768472 0 50 57 907  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

RDB(1) 165 Bagaimana cara lulusan mendaftar GSA?

Tabel 16.7 Hasil Eksperimen Tipe 2 3 Berapa ukuran totalnya? 100 berjalan selama 50 generasi # Perkiraan rata-rata total kesalahan waktu dalam jam, menit, detik, dan pecahan detik.

Cara menjalankannya 19 mdtk 4 0,008133827 1 23 18 734 1j:23m: 18s:734ms 5 0,008133827 1 23 21 969 1j:23m:21s:969ms 6 0,005986674 1 23 24 234 1j: 2 3m: 24 detik: 234 milidetik.

Bagaimana kalau 7 0,003821698 1 23 24 188 1j:23m:24s:188ms 8 0,003821698 1 23 30 375 1h:23m:30s:375ms 9 0,003821698 1 23 27 437 1j:23m: 27s : 4 37 milidetik 10 0 0,003821698 1 23 30 938 1 jam: 23 menit: 30 detik: 938 milidetik Minimum 0,003821698 1 23 14 125 Rata-rata 0,006618262 1 23 24,1 515,7

Maksimum 0,009740355 1 23 30 969 Tabel 16.8 Jenis Eksperimen Hasil 2 4 Ukuran Total 60 Aljabar 100 Perkiraan Jam, Menit, Detik, Detik – Total waktu untuk menyelesaikan.

Apa kesalahan kedua? 25 0 milidetik 4 0,00300359 3 16 31 188 3j:16m:31s:188ms 5 0,00300359 3 18 55 156 3j:18m:55s:156ms

Pembahasan

Untuk mengukur nilai mean 0.002967128 3 15.1 29.8 353.1 Nilai maksimum 0.003090779 3 21 55 968 Kesimpulan dari hasil percobaan yang dilakukan dapat dirangkum pada tabel 16.9 berikut.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.  Kita harus menerapkan Hasil Eksperimen Kesimpulan Dr. Mengubah jumlah awal Alpha Freeze. Hasilnya diketahui bahwa  ukuran populasi Nomor generasi α Estimasi awal laju mutasi pembekuan (%) Kesalahan suhu 0,002967128 60 100 0,00001 0,005444614 40 150 100 0,00001 0,00546245 30 100 10 10 0 0,7 0,00001 Ph. DDDDDD DDDD DDDD DDDDDDDD

2 50 200 1 100 0,7 0,00001 0,008184308 30 100 1 100 0,7 0,00001 Ukuran Populasi Laju Mutasi Aljabar Lulusan Early Freeze Alpha.

Berapa nilai perkiraan sebenarnya (%) Kesalahan nilai suhu 0,003090779 60 300 10 100 0,7 0,00001 0,007768472 40 150 10 100 0,7 0,00001 0,00905076 30 100 10 100 0,7 0,0000 1 0 009636727 50 200 1 100 0,7 0,00001 mahasiswa PhD.

Like Do 40 150 1 100 0.7 0.00001 Sebagai perbandingan, kami tunjukkan hasil Chen dkk. [Chen03] pada Gambar 16.6 di bawah adalah seorang mahasiswa pascasarjana.

Bagaimana dengan . Konsultasi tesis  Subakti, mahasiswa PhD bidang kecerdasan mesin terapan di GSA RDB (1).

Ya 167 Gambar 16.6 Kromosom optimal yang diperoleh dari [Chen03] Tabel 16.10 adalah ukuran populasi: 60; jumlah generasi: 300; laju pindah silang: 1,0; laju mutasi: 0. Tabel 16.10 Estimasi Gaji dan Estimasi Error Tiap EMP ID Tuple Degree Pengalaman Gaji Gaji (Estimasi) Estimasi Error S1 S3 7.2 63.000 61.515,00 -0.024 Mahasiswa S3.

S2 jenjang II 2,0 37.000 36.967,44 -0,001 S1 jenjang II 7,0 40.000 40.634,14 0,016 S3 jenjang II 1,2 47.000 46.873,66 -0,003 S2 jenjang II 7,5 53.000 56,1 34.37 0.0 59 Tingkat keenam, tingkat kedua – Tingkat 1 dan Tingkat 5 26.000 26.146,40 0,006 SMP 7 2,3 29.000 27.822,08 – 0,041 Gelar Universitas

Seperti apa dokter itu? S8? 2,0 50.000 50.067,20 0,001 S9 PhD 3,8 54.000 53.958,94 -0,001 S10 pascasarjana 3,5 35.000 35.152,00 0,004 S11 Magister 3.5 40.000 40.206,19 0,005 S12 Mag I S2 3,6 41.000 40.796,57 -0,005 S13 S2 10,0 68.000 68.495,74 0,007 Mahasiswa Pascasarjana.

Seperti apa dokter itu? S14? 5,0 57.000 56.240,72 -0,013 pascasarjana 8 Magister 7,2 55.000 51.950,6 – 0,055 S19 Magister 6,5 51.000 51.197,58 0,004 Mahasiswa S3

Seperti apa dokter itu? S20? 7.8 65,000 64,813.75 -0.003 S21 Master 8.1 64,000 60,853.28 -049 S22 DOCTOR 8.5 70,000 69.83 -0.013 Average Error 0.018 Ketika kita mendapatkan program lain, kita mendapatkan rata-rata error estimasi parameter GA yang berbeda, seperti terlihat pada tabel di bawah ini, 16.1 Tabel 16.11 Rata-rata kesalahan estimasi parameter algoritma genetika PhD.

Kesimpulan

Hasil penelitian menunjukkan adanya tingkat persilangan, tingkat mutasi, dan jumlah rata-rata kesalahan dalam estimasi pembentukan populasi? 30 100 1,0 0,1 0,036 40 150 1,0 0,1 0,032  Aturan selanjutnya, – Mahasiswa PhD di bidang kecerdasan mesin. Cara menjadi pemohon GSA setelah menyelesaikan RDB (1) 168. 50 200 1.0 0.2 0.027 60 300 1.0 0.2 0.018 Contoh kromosom optimal yang diperoleh dengan menggunakan GSA ditunjukkan pada Gambar 16.7 di bawah. Populasi: 60 Generasi: 300 Tingkat Mutasi (%): 10 Ph.D.

Suhu Awal: 100 Alpha: 0,7 Nilai Beku: 1E-5 Indeks Nol: 21 Lulusan Kromosom Terbaik Gen-1 Gen-2 Gen-3 Gen-4 Gen-5 Gen-6 Gen-7 Gen-8.Gambar 16 Contoh terbaik dari 7 G SA yang mengawetkan kromosom. Sementara itu, hasil penggunaan GSA untuk mengestimasi upah dan kesalahan estimasi masing-masing tupel ditunjukkan pada Tabel 16.12 di bawah. Tabel 16.12 Perkiraan gaji dan perkiraan kesalahan untuk setiap tupel menggunakan GSA yang diperluas.