文摘
二进制锦标赛(BT)选择被称为一个既定选择运营商,一直被应用在各种各样的问题。然而,在进化算法(EA)的发展,这种选择算子的缺点提供一种有效的实现联盟过程中,不能保证一个吝啬的知识库的规则数量减少。因此,本文介绍了二进制标准偏差(SD)锦标赛选择到EA BT的增强会导致关注更多的探索而言,寻找最好的解决方案。提出选择运营商一直在尝试在鱼饲料配方石斑鱼养鱼作为案例研究发现最低成本和满足约束。这种方法比实验设计的成本和时间。这样做的动机是为了寻找替代原料的石斑鱼鱼,价格的垃圾鱼太奢侈。这是因为石斑鱼肉食,需要许多垃圾鱼更好的增长。提出新奇的SD锦标赛选择与BT选择而言,寻找一种有效但不近视的算法。因此,在比较研究的基础上,增强的结果选择算子对EA一直相信并接受更好的成本和满足约束要求。
1。介绍
进化算法(EA)是自然metaheuristics [1- - - - - -11]。运营商参与EA是初始化算子,选择算子,交叉算子,变异算子。选择算子在EA扮演着重要的角色,因为它定义方向搜索,而其他遗传算子提出新的搜索点非直接的方式(12]。
选择算子可以探索高效和有效的搜索空间。选择的作用是区分个体基于他们的质量,特别是,允许更好的个人成为下一代的父母(13];Eiben和史密斯;2015;(6- - - - - -8,10,14- - - - - -16]。选择操作符给更好的个人偏好为下一代和禁止worst-fit个体进入下一代10,16- - - - - -18]。代传递,成员的人口应该得到健康和健康2,4,10,15,17,19]。
自选择运营商已经在许多方面的优势,许多风景,尤其是在实际的管理应用程序,已经越来越引起研究者的注意从不同的背景。值得注意的是,在这个景观的研究都集中在EA选择算子相,因为需要结合矢量与标量方法性能指标,现有EA奖励独立能力。最早的开创性研究选择运营商出现在1990年代早期(20.,21]。随后,提出了一些不同的选择运营商工作从1995年至1996年22- - - - - -25]。之后,这些不同的选择算子方法经过实际许多问题(13,18,26- - - - - -34]。
例如,轮盘赌选择被应用到泊位调度问题(35,36)、虾饮食配方(8,37),和车辆路径问题(38,39]。同时,比赛的选择也被用于泊位调度问题(35,40和鱼饲料配方41,42]。而二进制锦标赛(BT)选择已经部署在泊位调度问题(35)、虾饮食配方(6,37[],车辆路径问题35,39],和旅行推销员问题[43- - - - - -45]。因此,本研究旨在阐明选择算子的性能来解决现实生活中的石斑鱼鱼饲料配方问题作为解锁的案例研究选择运营商EA的前沿研究制定鱼饲料。标准的石斑鱼鱼饲料配方的实验设计涉及很多试错的努力,这是耗时的。饲料配方问题已经报告不确定性多项式,np难度问题[46- - - - - -48由于它的复杂性。透露,相关研究动物饲料配方建模通常仍然有限公司(Sahman et al ., 200949],水产养殖和类似的研究,包括石斑鱼,更为有限的(7,42]。因此,有必要开发石斑鱼饲料配方,优先考虑必要的成分和营养。因此,本研究旨在开发一种新奇的选择算子在EA,应用于制定石斑鱼的鱼饲料。随后,以下部分回顾了文献强调EA及其运营商的优势。接下来就有鱼饲料配方的方法,探讨了应用EA。实验结果和结论是在上一节。
2。文献综述
在1990年代末,有一个相对不知名的EA的识别(19,50- - - - - -52]。这是由于当时强大的计算机不可用平台(19,53和早期的方法论的一些弱点14,19]。几十年之后新兴EA在1950年代末(14,19),这个进化计算吸引了越来越多的研究兴趣在组合优化问题解决50,54- - - - - -58]。错综复杂的优化问题,包括不可用衍生品和多个当地的最适条件,由传统的数学方法(棘手的19,58,59),成功地应用了EA由于其强大的搜索能力(适应性)和容易实现1,19,56,58,60]。
EA进化遗传算法(GA),进化策略(ES),进化编程(EP)和遗传编程(GP) [6- - - - - -8,14,19,50,56,61年]。遗传算法是由约翰。荷兰在1975年发明的,而Rechenberg和Schwefel发达ES在1981年。劳伦斯·j·福格尔在1962年发起的,最后,医生是1994年由约翰·Koza煽动14,56,62年- - - - - -64年]。他们的解决问题的过程从本质并行,他们最终在1990年代早期合成不同的方法(14,19,64年),因此在后续的研究中引入和使用EA (14,60,65年- - - - - -67年]。
从技术上讲,EA声称metaheuristics因为启发式成立于更高层次的框架(1- - - - - -8,68年];Eiben和史密斯;2015;(9,11,14,61年]。有稍微不同的启发式和metaheuristics之间。启发式优化算法的特点是生成令人满意的好的解决方案,但是并不能保证最优解(6- - - - - -8,61年,69年- - - - - -71年),而metaheuristics可以生成并保证算法应用优化问题的解决方案(61年,72年- - - - - -74年]。启发式算法是为了解决特定的问题,必须解释数学(61年,75年,76年),而metaheuristic算法旨在解决要求np难问题(10,61年,77年- - - - - -80年]。通常情况下,这些np难度问题复杂的真实世界的优化提出申请使用metaheuristic算法(45,61年,74年,81年,82年]。
EA的优势可以在几个方面,可能以人群为基础的最优解,健壮性、机器学习,提供快速解决方案的可行性,多目标优化和约束处理(58,60,66年,83年]。此外,最重要的使用EA的优点是灵活性和适应性1,19,56,58,60]。因此,广泛利用由于EA解决复杂的组合优化问题提供了实用的优势(50,54- - - - - -58)和EA的好处如下讨论。
首先,认为这种方法很简单,健壮的改变的情况下,和灵活的1,19,56,58,60]。东亚峰会很容易应用和经常提供满意的解决方案与其他全球优化技术。根据福格尔(1];伯克和肯德尔(69年];Grosan和亚伯拉罕60];拉赫曼(6];Abd拉赫曼et al。7];拉赫曼et al。8];阿娴和吉利斯(70年];Bashab et al。71年];和Ojstersek et al。61年];东亚峰会可以应用于问题,启发式解决方案导致不理想的结果由于EA全球搜索特性。因此,东亚峰会已广泛用于实际解决问题,即使在饲料配方。
第二,Banzhaf et al。2佛格尔)是在类似的判断(1和Grosan和亚伯拉罕60];西蒙(5和周et al。58)选择东亚峰会的目的是东亚峰会容易解决组合优化问题或学习任务在计算机科学与其他传统方法相比较。这是因为EA的勘探开发有两个强大的元素搜索EA的过程。因此,可以得出结论,东亚峰会可以解决组合优化问题所声称的福格尔(1];Schwefel [84年];Banzhaf et al。2];Grosan和亚伯拉罕60];Kumar和辛格85年];Şahman et al。86年];西蒙(5];Eiben和史密斯(2015);和周et al。58]。
第三,Schwefel [84年];Kumar和辛格85年];西蒙(5];和Eiben和史密斯(2015)批评,EA可以解决复杂的问题,如不连续,多峰性,不相交的可行的空间,和嘈杂的功能评估和加强了东亚峰会的潜在有效性在搜索和优化,这可能是一个问题,进化计算区分本身和它的竞争对手。因此,可以得出结论,东亚峰会能解决复杂的问题,所声称的Schwefel [84年];Kumar和辛格85年];西蒙(5];拉赫曼(6];拉赫曼et al。7];拉赫曼et al。8];Eiben和史密斯(2015)。
总之,EA好处超过其他方法在搜索方面在于它的灵活性和适应能力对现有任务(1,19,56,58,60],全局搜索特性[14,19,50),和强劲的性能19,56,58,60,66年,83年]。EA可以声明为普遍适应性的概念来解决复杂的优化问题,而不是现成的算法。
由于EA的优点,EA主要应用在许多风景为解决问题管理、优化调度(87年],等等57]。这些问题是无论适用,比如生产等等。EA的优点是由于选择操作符的力量。在这个选择阶段,EA不会生成新的染色体。选择运营商禁止worst-fit个体进入下一代(10,16- - - - - -18]。选择工作是类似于在搜索空间中搜索路径。换句话说,深思熟虑的父母选择是由考虑选择压力。从逻辑上讲,一个更高的选择强度可以提高,这可能是一个人口众多的优势(14,88年,89年]。而在低多样性、高选择压力可能导致快速收敛(快速落入局部最优)。
此外,考虑到他们的交配策略,不同的选择的父母是如何的问题被忽视了。换句话说,不同的对父母有可能产生额外的后代比长相相似的父母,反之亦然。这是至关重要的勘探选择算子,因为它削弱了灵活的繁殖算子,在大量研究分类的首选运营商作为开发策略10,14,26,32,65年,90年,91年]。然而,一些研究忽略它的重要性;他们几人复制到一个交配池没有选择策略(14,32,92年,93年]。事实上,选择算子为置换反应给空间潜力繁殖算子。控制或管理搜索多样性提供空间理解和改进选择运营商。
一些研究人员应用新的不同的选择运营商。戈德堡(20.)应用玻耳兹曼的发明比赛在帕斯卡应用程序选择。他的结果已经证明准备好实用并行硬件使用这个玻耳兹曼锦标赛选择方法。玻耳兹曼比赛选拔过程获得和执行提供一个稳定的空间和时间分布交叉地的人口结构,证明了玻尔兹曼。玻耳兹曼锦标赛选择应用使用比例的概念选择方案。分配机制,实施一批个人共享限制资源。玻耳兹曼锦标赛选择执行实行个人比赛他们的潜力。这最后的恢复机制机制尚不清楚,直到这个评估不同的个人带来更多的不良个体之间的竞争,当选择的随机和从现有分布均匀。
戈德堡和黛比21)进行适当的繁殖性能的比较研究,排名选择、BT的选择,和母亲或父亲的选择。出生比例复制选择的一组个人基于目标函数值。虽然排名选择的看法很简单,相应的人口分类基于最好的最坏的情况下,性能比例的选择基于作业的功能。BT选择的第三个想法很简单;最好的个体从一组随机个体。然而,最后母亲或父亲的概念选择困难是因为工作一个接一个概念一代相比,而且是唯一一个最差个体替换。BT选择优先计算时间由于更好的时间复杂性。的增长比率,母亲或父亲选择了在代生长比率高于其他选项。
在1995年至1996年,比和蒂埃尔(22)比和蒂埃尔(23)也进行了类似的比较研究与戈德堡和Deb [21]认为健身分布性能排名选择运营商BT选择运营商,截断选择算子和最后,指数排名选择算子。前两个选择运营商的想法是类似于Goldberg和黛比的概念(21]。后者的概念截断选择算子和最后一个指数排名选择算子的分数仅仅是最好的个人选择而指数排名选择个人加权指数进行排名。他们声称这项研究的概念并不新鲜,但这一发现排名的选择算子和BT选择算子是验证预期的健身分布。因此,结果使理解单一方法方面独立和孤立。
Chakraborty et al。24]研究了四种类型的选择压力population-elitist选择运营商,线性排名选择运营商BT选择运营商,fitness-proportionate选择运营商,和母亲或父亲选择算子。他们调查了可能的值,可以实现,可能改变至关重要的,最高可能最大值和最后,概率采取加班分布。这一发现表明,边界线性排名选择运营商BT选择运营商,遗传漂变和fitness-proportionate选择符匹配。母亲或父亲选择运营商仍然显著高于上述三个运营商。总之,母亲或父亲选择算子获得最艰巨的推动等选择运营商。对终极价值的变化,英国电信的概率选择算子和线性排序选择运营商总是小于1。相比之下,最高价值的线性项排名选择算子和BT选择算子的行为同样,选择率是0.8。虽然概率随时间分布的线性项排名选择运营商,线性排名选择算子和BT几乎time-homogeneous选择运营商。
米勒和戈德堡(25)进行了类似的研究,Chakraborty et al。24]给从业者一个理性方法不同噪声水平的影响,包括人为错误,抽样误差和知识的不确定性,会影响健身功能的准确性。结果发现,适当的选择永远无法达到绝对收敛。锦标赛选择是最好的选择,因为它可以更快地采取行动,估计收敛时间小,中型和大型嘈杂的环境。
因此,许多研究探索锦标赛选择由于大的赛事大小,可以用来提高个体之间的竞争和增加Pareto-approximation质量(32,94年,95年]。此外,英国电信选择是更好的大小选择选择。(21,32]。此外,英国电信选择完美的意义当解决单峰问题(20.,32,96年]。此外,英国电信与替代选择是更好的实现最佳解决方案质量较低的计算时间20.,96年- - - - - -99年]。此外,英国电信选择对应的预期健身分布证明(23,32]。同样,锦标赛选择的复杂性是低于其他选择的复杂性,如排名选择(32,One hundred.),选择压力较高,它允许我们来衡量每个交叉能否保持人口的多样性(21,32]。因此,它可以显示,英国电信选择是合适的,因为它是更有效率的时间复杂度。由于BT选择的力量,可以进一步探索这种技术。因此,实际的管理,它引发了兴趣研究BT选择算子的EA由于没有工作包括标准差为BT选择填满鱼饲料配方的差距。
3所示。材料和方法
EA的方法讨论在这些上面和BT选择相信我们,可以适当的指导和帮助解锁解决鱼饲料配方的前沿。SD锦标赛选择被认为是小说以来,我们所知,没有研究这种计算标准偏差为BT已经报道了EA的选择,尤其是在饲料配方。在EA BT选择组件,它是高阶比启发式;换句话说,这意味着高于社区。BT选择嵌入到本研究,构建一种改进的关键贡献选择运营商基于BT的选择和标准偏差。从选择过程或运营商的角度锦标赛选择已被证明有效Sahman et al。5];由实值代表等位基因的染色体EA。此外,这引发了利用BT选择运营商et al。19)和侯赛因和穆罕默德(32]。可能改善BT选择运营商conisders使用标准差在比赛的决定。
在EA建模之前,相关信息收集鱼饲料。它包括鱼饲料配方的背景和鱼饲料配方问题,研究指明了方向和动力。营养成分上的信息内容的100公斤饲料原料石斑鱼饮食配方应用于本研究中使用来自源等国家研究委员会(101年],霍尔特[102年];戴维斯(103年];和阿里104年]。与此同时,营养需求增长的石斑鱼鱼饲料配方来自30制造商和专家在这个领域。选择的成分是根据经济状况,适当的消化系统石斑鱼鱼,和营养价值需要根据专家的建议。因此,及其范围的成分之一,作为建议,描述了表1。
最重要的成分,营养也基本在饲料配方。石斑鱼鱼所需的营养需求是粗蛋白、粗脂肪、粗纤维,与公差范围进行预先计算的一个样本T以及假设检验和皮尔逊相关性。这些营养素的重要性已经被测试和分析使用变异系数(CV), 16个营养元素,包括水分、被认为是最初,展示在表2。因此,15营养很重要(例如,< 0.05)与每个各自的简历小于1的值(即。,CV < 1)。这些营养物质粗蛋白、粗脂肪、粗纤维、粗灰分、磷、钙、精氨酸、组氨酸、异亮氨酸、亮氨酸、赖氨酸、蛋氨酸、苯丙氨酸、苏氨酸、缬氨酸。这个研究不考虑水分因为其简历大于1。基本原理是,较小的CV值表明,其他15营养不如水分分散。因此,15营养是一个好迹象包括在这项研究中。此外,这些营养素鱼的增长产生积极影响的体重(公斤)或长度(厘米),按照约定的咨询专家。
列出的这些营养物质是必要的和重要的增长的石斑鱼鱼。因此,他们需要被包括在这个研究的必需营养素。这是基于推荐的Muhammadar et al。105年)和专家。随后,营养物质的最终名单,加上其所需的最小和最大百分比石斑鱼饲料的配方,在桌子上3。
因此,所有这些石斑鱼高于饲料信息存储在数据库的一个原型。然后,是由EA模型vb.net,给一个用户友好的、可扩展和可伸缩框架优化metaheuristic-related参数和提高质量的解决方案。目的是为了测试解决方案的可行性和使用增强的EA的实用性在解决现实世界的石斑鱼鱼饲料配方。随后,下一节将讨论如何构造要求和约束到EA的造型。
4所示。EA在鱼饲料配方中的应用
所有的需求和约束建模和应用于鱼饲料配方使用复杂的EA方法问题。EA的建模是开发基于标题下面讨论。
4.1。目标函数
目标函数和适应度函数值是作为每个成分的最小重量的总和乘以其成本每公斤,体重惩罚值的营养成分和惩罚值的可接受的范围内,制定, 在哪里累计成本,营养点球,点球值为每个染色体j成分的重量,或可能的解决方案。的惩罚值吗th营养,Dj是100000常数累积成本、pj j的惩罚值重量成分不是在指定的范围内。
4.2。约束
本研究的主要目的是准备鱼饲料配方来满足营养需求。这些营养物质需要贡献约束。主要有15鱼所需的营养配方。这15个主要营养限制范围所需的百分比k所有建议14 th营养成分是基于最大和最小值如表所示3,在那里 , 低边界所需的百分比吗th营养成分,是需要比例的上限th营养成分,和所需的百分比的范围吗th营养成分。必须履行的总重量100公斤,以及个人之间的范围动物性成分和植物性成分总应该是0 - 100和0-40,分别。总动物性成分和总植物性成分之间的范围应该是40 - 100和0-60,分别。
4.3。惩罚值
惩罚值计算为每个成分在每个总养分并不在其可接受的范围(参考表3)。每个营养惩罚值计算使用公式,基于z得分 ,在哪里是观测值,样本的均值,样本的标准偏差。
所有材料的总重量等于100公斤。因此,另一个点球成分重量损失值也添加到总惩罚。除了约束,原料重量损失计算的基础上,区别千克(公斤)的体重;所需的最大重量的所有材料的总重量。成分的重量损失使用公式(2) 在哪里的惩罚值重量吗成分不在指定范围。J= 1,2,…J在哪里J原料的数量被认为是。
4.4。成本
所有材料的最低成本是选择在这项研究中,惩罚值是零个或最低的值。计算了成本乘以每个成分的重量乘以其价格每公斤价值的饲料。每个成分的成本计算使用以下公式: 在哪里每个成分的成本吗每公斤。的重量吗th成分千克,J= 1,2,…J在哪里J原料的数量被认为是。
4.5。提出了EA的结构
一旦需求和约束构造成数学公式,EA建模的开始通过生成一个人口。整个EA模型如图1。
创建初始解提出SR-SD-EA基于半随机的初始化(SR),即必须满足的总重量100公斤,以及个人之间的范围动物性成分和植物性成分总应该满意。SD锦标赛选择使用类似于英国电信选择运营商,在样本的标准差的概念是在BT选择适应。BT的伪代码选择和SD锦标赛选择显示在数据中2和3。两个数据清楚地表明,SD锦标赛选择把标准差的概念到BT选择,两对染色体之间的比较。
EA的过程继续实施单点交叉,boundary-based突变和稳态繁殖操作符。中使用的停止准则这个SR-SD-EA基于代的数目。最后到目前为止最染色体石斑鱼鱼饲料配方的问题或解决方案是实现一定数量的代后,200th的一代。这个新的SD锦标赛选择运营商应当评估通过比较其性能与现有类似的选择算子,即BT选择算子。因此,该模型的结果将在下一节中讨论。
5。实验结果
在本节中,提出SR-SD-EA模型的实验结果讨论了确定模型的性能。模型测试使用半随机的(SR)初始化算子,一点交叉,BM和稳态操作符的再生过程。在东亚峰会,指定数量的代= 200,作为停止准则。这个数字是建议自前几代迄今最佳解决方案= 200显示一个高原的趋势。迄今最佳解决方案或染色体获得每一代被看成是最好的解决方案。每个运营商测试使用几个值来找到最好的参数值来提高EA的表现。最终,每一个EA实验进行了30独立运行。最后,从不同的实验获得的最佳参数值列在下表中4,建议进行进一步分析。
基于实验结果,90年的人口规模,0.8交叉率和变异率的0.5作为模型中的参数比较下面讨论的EA。
5.1。EA的结果提出了选择算子
在这个研究中,该方法SR-SD-EA在石斑鱼鱼鱼配方测试选中。SR-SD-EA呈现在图的性能4。
在这个图4在10th一代,到目前为止最健身值SR-SD-EA拥有90人口规模的是1533.966。随后,它下降到1176.128 20th的一代。在30th代,到目前为止最健身价值持续下降至764.663。有一个波动之间的健身价值40th一代和90th代,最终达到了最小值495.289在100年th生成和显示一个高原趋势直到200到目前为止最相同的健身价值th的一代。
样品溶液与小于14成分选择总重量为100公斤,如表所示5。每种解决方案的营养价值达到从SR-SD-EA模型如表所示6。
表中可以看到5SR-SD-EA成分是海藻粉(螺旋藻)= 0公斤,棉籽粉= 1公斤,米糠、= 16公斤,大豆粉= 37公斤,小麦面粉= 0公斤,干酵母= 4公斤,肉骨粉= 0公斤,鱿鱼鱼肝油= 1公斤,大豆油= 0公斤,虾粉= 11公斤,当地鱼粉= 25公斤,进口鱼粉= 0公斤,玉米蛋白粉= 1公斤,和家禽餐= 4公斤。
表中可以看到6营养的SR-SD-EA模型粗蛋白= 42.763%,粗脂肪= 5.732%,粗纤维= 8.179%,原油灰= 14.694%,磷= 1.099%,钙= 2.018%,精氨酸= 2.762%,组氨酸= 1.013%,异亮氨酸= 1.846%,亮氨酸= 3.113%,赖氨酸= 2.772%,蛋氨酸= 0.862%,苯丙氨酸= 1.827%,苏氨酸= 1.897%,缬氨酸= 2.171%。
5.2。比较选择算子
在这个实验中,修改后的选择运营商基于BT选择和标准差的概念提出和被称为二进制标准偏差(SD)锦标赛选择算子。这个提议的描述SD锦标赛选择运营商一直在讨论部分材料和方法。这种独特的SD锦标赛选择算子是EA的整合在整个生产过程中评估它的性能和比较它与现有的类似的选择算子,即BT选择运营商,也纳入一个EA。BT选择运营商也已在材料和方法讨论。在这个实验中产生的东亚峰会是SR-SD-EA和SR-BT-EA。
为了一致性,实验中使用的标准参数90年人口规模,交叉率为0.8,变异率为0.5,决定在表4。这些参数应用于SR-SD-EA和SR-BT-EA比较目的。此外,SR-BT-EA和SR-SD-EA应用常见的运营商,如SR初始化算子,一点交叉,BM运营商和精英策略的稳态再生算子。指定数量的代= 200,作为停止准则。这个数字是建议自前几代迄今最佳解决方案= 200显示一个高原的趋势。迄今最佳解决方案或染色体获得每一代被看成是最好的解决方案。最终,每个SR-BT-EA和SR-SD-EA 30独立运行进行进一步的实验和分析。
总之,一个公平的选择算子的比较,两个选择程序尝试了,因此建议最好选择算子中使用该模型。第一个程序使用BT选择运营商,而第二个是SD锦标赛选择算子。锦标赛选择推荐的手术Sahman et al。5)找到一个潜在的解决方案选择阶段。拟议中的SD锦标赛选择算子采用基于统计测量的概念。标准偏差是一个有关,常用测量色散(106年,107年]。为实验目的,EA模型实现单点交叉算子一样,边界突变,稳态替换策略,和固定的参数(例如,200代,90人口规模和30分)。模型中评价,比较现有的选择算子与新提出的运营商已经取得了迄今最佳健身而言,平均到目前为止最健身、样本的标准差和平均运行时间(单位为毫秒)。子序列,图5礼物的性能图SR-BT-EA模型和SR-SD-EA模型。
在这个图5,最初SR-SD-EA迄今最佳适应度值和SR-BT-EA是1533.966和1626.068,分别。SR-SD-EA和SR-BT-EA开始显示一个高原的趋势在100th的一代。然而,SR-SD-EA健身价值最低为495.289,而SR-BT-EA健身价值最低为507.359。与14个样品溶液成分从SR-BT-EA模型和SR-SD-EA被选的总重量100公斤表所示7。营养价值的每个解决方案yielded0 SR-BT-EA模型和SR-SD-EA模型显示在表8。
SR-SD-EA,只有9个成分被选择在最后的饲料混合,不推荐的成分在哪里海藻粉,小麦面粉,肉骨粉,豆油,进口鱼粉。SR-BT-EA模型中,十二个成分被选择在最后的饲料混合配料,不推荐海藻粉、肉骨粉。SR-SD-EA和SR-BT-EA满足约束的总重量100公斤,个人动物性成分和植物性成分总在0 - 100的范围和0-40,分别以及总动物性成分和总植物性成分在40 - 100的范围和0-60,分别。
迄今最佳饲料配方解决方案获得SR-SD-EA已经成功地履行了全部营养需求。这是证明表8与所有个体的营养比例在最小值和最大值范围之内。
表9表明SR-SD-EA能够获得一个更好的结果比模型SR-BT-EA迄今为止最好的获得成本最小化。尽管到目前为止最适合的标准偏差值SR-SD-EA SR-BT-EA但相对比,从积极的角度来看,这可以被认为是好的,因为是潜在的勘探获得迄今最佳健身价值要低得多。这是符合德尔和刘108年)强调,较大的标准差反映了会有很高的机会探索可以发生,从而导致较低的健康。此外,系统运行时的平均SR-SD-EA需要大约479742.667毫秒计算相当于8.00分钟的时间,而平均系统运行时间的SR-BT-EA是相当于8.75分钟524842.600毫秒。因此,基于这个前提更好的性能,二进制标准偏差(SD)锦标赛选择算子是一个合适的和推荐应用在饲料配方。
的结果T以及分析两种模型,SR-SD-EA SR-BT-EA,如表所示10和图6。SR-SD-EA低于SR-BT-EA均值,分别为1125.164和1142.131的价值,。然而,的结果T以及对两个独立的区别意味着如图6表示,两指之间没有显著差异。换句话说,这两种方法都同样有效。基于标准差的值在表10,SR-SD-EA模型被认为有一个相当大的标准差比SR-BT-EA。从积极的角度来看,这可以被认为是好的,因为是一个潜在的勘探获得迄今最佳健身价值要低得多。这是符合研究的结果戴和刘108年],强调更大的标准差反映了会有很高的机会探索可以发生,从而导致较低的健康。这表明SR-SD-EA提供更可靠的方法,代表了一个真正的问题。最重要的是,标准误差项包括所有信息,如样本量和等位基因频率,从而提供最佳性能。
总之,95%相信,真正的意思是,1125.164和1142.131之间。尽管真正的意思可能是也可能不是在这个区间,95%的间隔形成以这种方式将包含真正的意思。因此,基于这个前提更好的性能,SR-SD-EA选择算子是一个合适的和推荐应用在饲料配方。
6。结论
总之,SR-BT-EA和SR-SD-EA产生良好合理的结果在解决非线性优化饲料配方成本问题。然而,SR-SD-EA比SR-BT-EA模型的性能。此外,SR-SD-EA模型产生更快的结果与135.719相同处罚非线性问题的解决方案相比,SR-BT-EA模型。这种努力说服我们,这个选择操作符表明潜在的探索和利用函数作为替代解决方案,从而提高复杂石斑鱼鱼饲料的方法制定。可能,未来的工作其他运营商的EA可以探索,从而开创一个广泛的研究空间的增长和影响石斑鱼鱼饲料配方(22,23,32,109年]。
数据可用性
数据是通过收集的原始数据。
的利益冲突
作者宣称没有利益冲突。
确认
我们感激的初始资金工作在本研究中通过德意志联邦共和国/ 1/2013 / STWN03 / UUM / 03/01 UUM邻蒙古和监管。艾哈迈德博士升值也对达乌德·本·奥姆Tg渔业研究所。迪蒙,Terengganu和渔业研究所的Zainoddin本Jamari博士Patah,柔佛。我们还要感谢那些支持我们的人直接或间接地在这个研究。我们也感谢匿名评估师的观点。