桶紗配重過程的計(jì)算機(jī)軟件模擬

桶紗配重過程的計(jì)算機(jī)軟件模擬,配重,過程,進(jìn)程,計(jì)算機(jī)軟件,模擬,摹擬 科學(xué)目錄上列出的內(nèi)容專家系統(tǒng)與應(yīng)用程序期刊主頁：www.elsevier.com/locate/eswa使用遺傳算法對磅站運(yùn)輸分類歸并的技術(shù)性能分析——一種箱體分類研究Abbas Mahmoudabadi Reza Tavakkoli-Moghaddam工業(yè)工程系，payam-e-noor 大學(xué)，德黑蘭，伊朗交通安全部門的總經(jīng)理，道路維護(hù)和交通組織，德黑蘭，伊朗工業(yè)工程系和卓越中心的情報(bào)，基于實(shí)驗(yàn)力學(xué)，工業(yè)大學(xué)和德黑蘭大學(xué)，德黑蘭，伊朗文章信息：關(guān)鍵字：遺傳算法，分類歸并，磅站，運(yùn)輸系統(tǒng)，技術(shù)性能分析摘要：在本文中，遺傳算法由于根據(jù)磅站的性能來評估分類去解決分類歸并的問題而被廣泛應(yīng)用。在分類歸并分層的步驟中，觀察報(bào)告的相似之處的地方需要合并其他的需要?jiǎng)h除。為了彌補(bǔ)這些不足，主要的想法就是提出的算法在層次聚類的過程中避免丟失數(shù)據(jù)，所以所有觀察報(bào)告通過遺傳算法被隨機(jī)的分配到預(yù)先定義的類別中。在這個(gè)模式中，考慮到操作結(jié)果與重量有關(guān)系，就像對比前幾年在相同的持續(xù)時(shí)間里檢測到的卡車的交通量，是否過載，可調(diào)的或者固定的尺度以及檢測率的尺度。所需的重站的數(shù)據(jù)需要 6 個(gè)月的時(shí)間測量并測 2 次。測量的不同大小的數(shù)據(jù)要被按照一定的范圍統(tǒng)計(jì)到一起。分類歸并的方法的主要性能可以看作是遺傳算法內(nèi)部數(shù)據(jù)偏差總和的平方的最大化的試用值。他保證了在同一群組中數(shù)據(jù)有著最多的相似，在相連的群組中有著最細(xì)微的差別。通過 MATLAb 軟件將四種不同的數(shù)學(xué)聚類的方法得出的數(shù)據(jù)與遺傳算法得出的結(jié)果進(jìn)行比較，相關(guān)的結(jié)論表明在重站分來歸并上遺傳算法與其他的算法相比更可靠。1. 入門在伊朗，司機(jī)和運(yùn)輸公司不允許加載他們的商業(yè)車輛超過伊朗運(yùn)輸監(jiān)管中確定的授權(quán)的重量。商業(yè)車輛的重量通過移動(dòng)或者固定尺度在稱重站被隨機(jī)檢查。如果觀察到的重量超過被允許的重量，司機(jī)或者運(yùn)輸公司應(yīng)該減少他們自己的車輛的重量并且要繳納由伊朗的道路和交通部門所決定的路面損壞成本的罰款。農(nóng)村公路運(yùn)輸主要的關(guān)注點(diǎn)之一是重站的性能。公安部門的經(jīng)理為了對稱重站進(jìn)行評估和排名嘗試了一種通過特定的因素說明站點(diǎn)的性能的模式?；诮煌ńy(tǒng)計(jì)數(shù)據(jù)公布，據(jù)估計(jì)在伊朗包括高恐懼運(yùn)輸移動(dòng)在內(nèi)的超過 5.12 億噸的貨物經(jīng)由公路運(yùn)輸。在監(jiān)督道路運(yùn)輸中，由于安全風(fēng)險(xiǎn)和不可挽回的道路和建筑的損壞導(dǎo)致了超載變成最嚴(yán)重的問題之一。因此，為了提高安全并且避免基礎(chǔ)設(shè)施嚴(yán)重?fù)p壞，法律法規(guī)已經(jīng)確定了車輛的最大允許重量。稱重控制站位于全國各地中止超載的車輛的行駛并且引起司機(jī)們的注意去減少裝載和集會的監(jiān)管的數(shù)量。評估他們的性能對鼓勵(lì)發(fā)現(xiàn)超載極為重要。因此在本文中，基于著名的統(tǒng)計(jì)算法的聚類遺傳算法在伊朗被開發(fā)出來用來分類重站的性能。在科學(xué)文件中對于聚類問題一般很容易看到聚類分析和超啟發(fā)式算法。遺傳算法被開發(fā)出來去解決這類有聚類的路線分解問題和帶有時(shí)間窗約束的推銷員旅行問題。在供應(yīng)鏈系統(tǒng)中模糊決策方法即模糊 c 均值被提出去解決聚類供應(yīng)商的問題。在模糊的具有相同特征的可管理的較小的團(tuán)體環(huán)境下 他們?yōu)榱司垲惞?yīng)商也提出一個(gè)粒子群優(yōu)化算法。張，歐陽和寧對于分類歸并的數(shù)據(jù)提出了人工蜂蜜殖民地并且依據(jù)求解質(zhì)量和處理時(shí)間對比了其他流行的啟發(fā)式算法和計(jì)算模擬揭示改進(jìn)?；谙伻簝?yōu)化和分類歸并問題的遺傳算法，混合的有效的方法已經(jīng)被提出來。被提出的這種方法假定蟻群算法的代理人有可通過特殊結(jié)構(gòu)改變的生命周期。他們也應(yīng)用一個(gè)配對比較 t 檢驗(yàn)來證明他們的混合方法的效率。遺傳算法也被用于檢測分類歸并基于評估各種各樣的語義相似度的措施有效性并且過去也在 2 個(gè)探索策略中為了允許通過度量訪問的方法取得近似的數(shù)據(jù)被開發(fā)。實(shí)驗(yàn)結(jié)果表明在時(shí)間的一小部分內(nèi)伙的的是精確的答案。一般而言，尤其在運(yùn)輸和交通研究方面分類歸并的方法被用于數(shù)據(jù)分類和決策。分類歸并的方法用于網(wǎng)絡(luò)建模及公共交通目的是為了提高處理和決策過程的能力。通過發(fā)展交通分類歸并的模型，他們發(fā)現(xiàn)了基于集群的算法決定最好的道路，當(dāng)你遇上堵車的時(shí)候可以做出最有效的決定。分類歸并的方法也被用來決定事故類型的分類?；诩旱哪Ｐ捅婚_發(fā)用來均勻的分類事故信息為 7 組，以不同的事故種類命名。事故的傷害隨著事故的分析和事故的種類被分別分析。結(jié)果表明這類分類的類型更適合研究者去研究事故的測量和安全晉升項(xiàng)目。對于在運(yùn)輸系統(tǒng)和裝備性能以及過境國家分類領(lǐng)域的經(jīng)濟(jì)分析已經(jīng)用過去被認(rèn)為有效的分類歸并的方法進(jìn)行了比較，例如裝備的大小，速度，平均狀態(tài)，運(yùn)輸機(jī)和都市的公交路線。他們叫國家分成了 12 組。此外，分類歸并的術(shù)語被廣泛的應(yīng)用在其他的工程學(xué)領(lǐng)域。動(dòng)態(tài)的分類歸并方法的網(wǎng)絡(luò)文件基于為了電子客戶的管理關(guān)系的神經(jīng)模糊方法被提及。他們使用測試文件最初的分類和原配工作系統(tǒng)的等級解決未知的若干進(jìn)化的類別問題。這些問題是基于模糊的分類歸并的客戶關(guān)系管理。為了簡化在分類歸并上設(shè)置的在經(jīng)典域和重量上的分類歸并問題的規(guī)則以及越來越乏味和復(fù)雜的步驟的缺點(diǎn)，一種新奇的使用遺傳算法的分類歸并方法被提了出來。雖然遺傳算法已經(jīng)不再車輛重站性能上使用；然而，這種方法在分類和排序上被經(jīng)常地使用。遺傳算法也被用來覆蓋分類并且這種算法以照片為基礎(chǔ)被用來遠(yuǎn)離地面覆蓋分類。這種算法也被開發(fā)用來空間分類。這種算法在空間分類不同的方向移動(dòng)。結(jié)果表明改變所有空間的基因結(jié)構(gòu)更有助于研究空間。遺傳算法依據(jù)弱化系統(tǒng)的無序化被用于數(shù)據(jù)的分類分析。他們在數(shù)據(jù)分類領(lǐng)域和其他研究方法不同的是基于參數(shù)和弱化系統(tǒng)地?zé)o序性的。在這種聚類算法上目標(biāo)的功能被認(rèn)為是精準(zhǔn)的。實(shí)驗(yàn)的數(shù)據(jù)被分成四組，得到的結(jié)果跟其他三組就行對比。遺傳算法為了評估基因的性能作為分類的模型來使用并且基于認(rèn)識被提出來評估遺傳算法為了在未來的世代復(fù)制基因而使用納米技術(shù)。在調(diào)查中發(fā)現(xiàn)家庭的基因是最相似的。模糊的模型被用于一組基因和一集群的基因。在評價(jià)過程中，如果再分類過程中某個(gè)基因很熟悉，他就會被分到該組中。由于遺傳算法的廣泛應(yīng)用，它被用來建模穩(wěn)定用于公共建設(shè)的馬歇爾耐藥乳狀液樣品與瀝青和水泥。他過去常常用來確定神經(jīng)網(wǎng)絡(luò)的輸入，基于收集實(shí)驗(yàn)樣本的數(shù)據(jù)的模糊的模型被用于估計(jì)樣本的阻力。它被用來確定在一個(gè)減去邏輯模糊模型運(yùn)算的參數(shù)用來管理確定兩步經(jīng)營網(wǎng)絡(luò)管理運(yùn)輸?shù)姆桨?。第一步，屬于第一集群的大量的群集和觀察值被確定。然后，第二步，網(wǎng)絡(luò)交通失真模型直接的決定被確定。他也被用來分類無線電交流網(wǎng)絡(luò)。在被提出的模型中，期望的目標(biāo)函數(shù)定義對于相同網(wǎng)絡(luò)通信量流之內(nèi)的網(wǎng)絡(luò)通信量優(yōu)化,反之亦然。模型約束是根據(jù)站點(diǎn)的數(shù)量設(shè)置無線電通信平方誤差的總和是一個(gè)比較 meta-heu——ristic 算法的性能的主要標(biāo)準(zhǔn)。一系列基于平方誤差的總和的啟發(fā)式和 meta-heuristic 聚類分析方法的結(jié)果表明,meta-heuristic 方法有更多的聚類的性能。在分層聚類問題中一個(gè)主要限制因素是在合并觀察結(jié)果是丟失數(shù)據(jù)。有時(shí)，特別是當(dāng)一些 (相似性)觀察的距離是一樣的,聚類的結(jié)果是依賴于選擇使用相似矩陣的最小安全距離。因?yàn)橐粋€(gè)已經(jīng)失去了的觀測數(shù)據(jù),可以產(chǎn)生不同的聚類結(jié)果。如果所有的觀察有平等的機(jī)會參與集群那么上面的問題不會發(fā)生。本文隨機(jī)選擇的方法被認(rèn)為可用于與整個(gè)數(shù)據(jù)聚類。下面的例子說明了這個(gè)概念。假設(shè) 5 組觀察組成的兩個(gè)參數(shù)((2 5),（4 7）,(5 8)、(6 9),(8 10)]需要集中在兩個(gè)集群使用相似的歐幾里得距離標(biāo)準(zhǔn)和最遠(yuǎn)的合并數(shù)據(jù)的方法，第一個(gè)相似矩陣是圖1 所示。有兩種合并選擇的觀察,軟件包通常選擇第一種。第一個(gè)觀察是合并 2 和 3,第二個(gè)是合并 3 和 4。圖片 2 - 4 顯示在第一第二和第三步驟的集群通過分別選擇兩個(gè)的不同的結(jié)果。它可以通過選擇一個(gè)相同相似之處顯示,,兩個(gè)不同的解決方案。然而,更好的解決方案是觀察在第一個(gè)集群被(5、8)定義的 1、2 和 3 和觀察第二集群被 (8、10)定義的 4 和 5。如果有一個(gè)方法考慮整個(gè)數(shù)據(jù)聚類的過程,那么失去的數(shù)據(jù)將在結(jié)果上沒有規(guī)律的。著名的方法之一可能是隨機(jī)選擇,并且遺傳算法將幫助隨機(jī)選擇方法在適當(dāng)?shù)倪\(yùn)行時(shí)間內(nèi)基于最佳解決方案。在本文中，重站的遺傳分類模型的性能開發(fā)的聚類分析。平方誤差的總和被認(rèn)為是所需的遺傳算法模型的合適的價(jià)值標(biāo)準(zhǔn)。檢測到用于稱重站的艦隊(duì)的交通量過載,發(fā)現(xiàn)跟規(guī)模和增長率的類別超載有關(guān)，前一年同期的性能測量的主要參數(shù)是稱重站分析。分析影響因素后,所有重站基于聚類分析被分類。模型驗(yàn)證是由比較使用相同的數(shù)據(jù)采用平方誤差的總和在遺傳算法模型和其他類型的數(shù)學(xué)聚類方法被執(zhí)行。本文的其余部分如下。第二部分包括一個(gè)簡短的討論遺傳算法和聚類和數(shù)據(jù)標(biāo)準(zhǔn)化的術(shù)語。第 3 部分介紹了重站性能的影響因素。第四部分提出了遺傳算法基本的模型。最后,結(jié)論和建議未來的研究被認(rèn)為是在第五節(jié)所講的。2．文獻(xiàn)綜述本節(jié)簡要研究科學(xué)解釋的原則包括遺傳算法,聚類方法和標(biāo)準(zhǔn)化的數(shù)據(jù)。2． 1．遺傳算法遺傳算法(GA)是在優(yōu)化問題上一種廣泛使用的方法。通過這種方式, 初始可行的人口生產(chǎn)和該算法重復(fù)運(yùn)行，通過運(yùn)營商提供新的解決方案,直到找到最佳的解決方案。遺傳算法,交叉和變異算子進(jìn)行了一代人口的生成過程有關(guān)問題?？尚械慕鉀Q方案和人口也是很重要的。遺傳算法的主要步驟總結(jié)如下：1、 問題的參數(shù)設(shè)置。2、 創(chuàng)建可行的人口數(shù)量。3、 確定人群中每個(gè)成員的健身價(jià)值的。4、 運(yùn)行遺傳算法運(yùn)營商包括交叉、變異和選擇。5、 檢查終止標(biāo)準(zhǔn)如果它沒有被滿足就回到第二步。6、 報(bào)告結(jié)束算法和最佳的解決方案。2． 2、分類歸并聚類和聚類分析是一種統(tǒng)計(jì)方法,觀點(diǎn)接近他們的團(tuán)隊(duì)的相似程度被分為分為均勻的和獨(dú)特的。第一步,相似性標(biāo)準(zhǔn)指定。序列的運(yùn)行過程中 ,觀察最相似的分為同一集群。聚類分析被認(rèn)為提供了在確定所需的標(biāo)準(zhǔn)時(shí)同時(shí)幾個(gè)變量作為標(biāo)準(zhǔn)是相似的看法的可能性。盡管使用一些方法來確定標(biāo)準(zhǔn);然而,歐幾里得距離平方關(guān)系密切的計(jì)算相似標(biāo)準(zhǔn):xik 和 xjk 中的兩個(gè)觀察結(jié)果 i 和 j 、k 因子和 p 是許多因素。在這一領(lǐng)域一個(gè)常見的方法是層次聚類方法,在最近的連續(xù)觀測的方法是合并有相似性的數(shù)據(jù)。合并觀察的幾種方法,包括平均鄰居 ,最遠(yuǎn)的鄰居,最近的鄰居,平均距離法、和法的總偏差變量和標(biāo)準(zhǔn)差。2.3、確定集群的數(shù)量一般來說,集群的數(shù)量是基于這兩種方法確定的。在第一種方法中 ,理想的群集數(shù)量是由專家或決策者決定。此方法當(dāng)集群的數(shù)量取決于其他決策過程如在模糊模型時(shí)經(jīng)常使用。確定集群的數(shù)量的另一種方法稱為內(nèi)平方誤差的總和的方法是在集群內(nèi)找到的最小平均偏差平方。在這種方法中,基于觀察的總數(shù)計(jì)算總偏差。基于標(biāo)準(zhǔn)和集群的數(shù)量決定的總偏差的比值仍然在平方誤差的總和內(nèi)被認(rèn)為是仍然錯(cuò)誤的部分。2.4、數(shù)據(jù)標(biāo)準(zhǔn)化在某些情況下,所需的參數(shù)決策模型中沒有相同的尺寸。因此 ,應(yīng)該轉(zhuǎn)換為一個(gè)同質(zhì)的維度標(biāo)準(zhǔn)化過程的一組標(biāo)準(zhǔn)化的數(shù)據(jù)。xnew 是 xold 和 n 是觀察 xi 的數(shù)量的標(biāo)準(zhǔn)化形式。3、性能評估和數(shù)據(jù)收集的影響因素在這項(xiàng)研究中,我們收集重載車輛的數(shù)量,超載的重量,車輛的類型、平均每日艦隊(duì)的流量和在 2007 年和 2008 年超載的數(shù)量在 6 月超過 5 噸的。在本研究過程中可用數(shù)據(jù)的主要因素,如下：重載記錄的數(shù)量重載的數(shù)量比前一年同期數(shù)增加的重載的數(shù)量恐懼艦隊(duì)的日均流量 (重型車輛)超過 5 噸的重載記錄數(shù)量4、提出的遺傳算法及其結(jié)果遺傳算法的一般步驟是在其創(chuàng)建一個(gè)初始種群的過程中檢查可行的解決方案, 遺傳算法運(yùn)營商,計(jì)算人口健身價(jià)值的解決方案。在選擇過程中, 檢查終止條件并概述了最終的解決方案。在這一節(jié)中討論提出了遺傳算法的詳細(xì)描述。4.1、檢查解決方案的可行性檢查每個(gè)人口可行性的解決方案的方法保存在本節(jié)。該算法基于聚類的概念。在聚類方法中,每個(gè)集群應(yīng)該至少有一個(gè)觀察結(jié)果。因此 ,在我們提出的遺傳算法中, 如果屬于集群的觀測數(shù)量等于或多于一個(gè)，那么解決方案是可行的。在計(jì)算過程中,觀測的數(shù)量計(jì)算集群從 1 到最后一個(gè)集群。如果他們中的至少一個(gè)小于 1,那么解決方案就是不可行的 ,所以它將被拒絕。上述考慮檢查的可行性解決方案用于遺傳算法操作運(yùn)行的所有進(jìn)程。4.2、設(shè)計(jì)染色體第三節(jié)提到過,重站的數(shù)量是 126,那么一個(gè)字符串盒包括 126 細(xì)胞顯示出遺傳算法的染色體。染色體細(xì)胞是由隨機(jī)數(shù)從所需數(shù)量的集群。細(xì)胞的每個(gè)染色體的數(shù)量定義集群,這屬于觀察結(jié)果。例如,如果細(xì)胞編號 125 的數(shù)量是3,這意味著觀察 125 的編號為 3 號。因此, 決策者指定每個(gè)細(xì)胞中染色體的最大值所需數(shù)量的集群。圖 5 顯示,觀察編號 1、2 和 3 屬于集群的編號分別為 4， 12 和 7。4.3、創(chuàng)建初始種群一個(gè)用于隨機(jī)產(chǎn)生初始種群,同時(shí)確保生成的人口的方法是可行的。為了這個(gè)目的,一個(gè)整數(shù) 1 到集群的數(shù)量之間的隨機(jī)數(shù)生成并分配給第一個(gè)等位基因。第二個(gè)等位基因是由預(yù)定義的隨機(jī)數(shù)+ 1。這一過程持續(xù)進(jìn)行直到最后等位基因填寫。如果數(shù)量達(dá)到最大數(shù)量的集群,下一個(gè)號碼將被設(shè)置為 1。上述過程是根據(jù)人口規(guī)模繼續(xù)填補(bǔ)所有的染色體的過程。圖 6 顯示了一個(gè)有 5 條染色體和 20 集群的初始種群。在此圖中,最初第一染色體的隨機(jī)數(shù)是 5,所以第一個(gè)觀察是指定到第五個(gè)集群。第二個(gè)觀察被指定到第六集群并且等位基因的過程一直持續(xù)到所有填寫。雖然通過這一過程產(chǎn)生的解決方案的結(jié)果使得一些染色體可能是相同的;然而, 在遺傳算法運(yùn)行它們是不同的。4.4、適應(yīng)值功能染色體適應(yīng)值是用來比較解決方案的。廣場內(nèi)群體的總額是一個(gè)適應(yīng)值。最好的解決方案有最大廣場群體內(nèi)部的團(tuán)體總額。適應(yīng)值的計(jì)算方法是通過提取集團(tuán)內(nèi)平方誤差的總和對最大平方誤差的觀測。當(dāng)觀測的數(shù)量是126 和變量的數(shù)量是 6 平方誤差的總和標(biāo)準(zhǔn)化的數(shù)據(jù)計(jì)算有 Sharma 計(jì)算。最大的錯(cuò)誤=（126-1）*6=750 。計(jì)算組內(nèi)平方的總和,變量的均值之間的觀察要被考慮。計(jì)算過程是在每個(gè)人口所有的染色體中進(jìn)行的。4.5、交叉算子交叉算子包括以下階段:確定兩個(gè)隨機(jī)的染色體,其中一個(gè)選擇最好的解決方案。隨機(jī)確定染色體細(xì)胞的數(shù)量。確定必須替換的等位基因。等位基因是否滿足后代的可行性。增加可行的后代人口這一過程基于交叉持續(xù)進(jìn)行評級。為了說明交叉操作 ,如圖 7 所示假設(shè)兩條染色體。第一個(gè)染色體之間頂端的人口的 20%選擇最好的解決方案。這意味著如果人口規(guī)模是 40,選擇第一個(gè)染色體在 1 - 8 時(shí)人口根據(jù)適應(yīng)度值降序排序。這個(gè)過程可以確保至少有一個(gè)家長選擇的是最好的解決方案。在下一階段,替換基于細(xì)胞的數(shù)量確定的隨機(jī)數(shù)量的等位基因。如果可行性檢查是假的,那么不會產(chǎn)生后代。為了說明替換過程,考慮圖 8 和假設(shè)兩個(gè)等位基因的染色體應(yīng)該取而代之的是在第二個(gè)染色體上的兩個(gè)等位基因。等位基因在細(xì)胞 1 和 5 應(yīng)該分別與等位基因在細(xì)胞 88 和 122 交換。圖 9 顯示了交叉操作后的后代。4.6、變異算子變異算子包括以下階段:基于突變率確定染色體的數(shù)量。確定應(yīng)該被改變的等位基因的數(shù)量。如果新的解決方案是可行的就改變等位基因之間的隨機(jī)數(shù)字 1 和集群的數(shù)量。增加人口后代圖 10 所示的是變異算子的等位基因 65 細(xì)胞從 14 – 7 的過程。這意味 65組的著觀察結(jié)果屬于 14 集群 ,集群進(jìn)入第七。4.7、選擇過程選擇過程試圖從當(dāng)前最好的染色體(或舊)中選擇一代到下一代。染色體的適應(yīng)度值作為標(biāo)準(zhǔn)的選擇過程。染色體交叉和變異操作后應(yīng)用和計(jì)算適應(yīng)度值降序排序他們的健身價(jià)值,和一些流行高值— —調(diào)控大小將轉(zhuǎn)移到下一代。4.8、提出了遺傳算法的運(yùn)行著名的 MATLAB 軟件程序通過創(chuàng)建一個(gè) m 文件運(yùn)行遺傳算法。這個(gè)算法運(yùn)行不同的集群和迭代。表 2 顯示了集群的相關(guān)結(jié)果的數(shù)量 15 和 30,人口大小的 20、30 、 40、50 和迭代的 100、250 和 500。平方誤差的總和之間的內(nèi)部的平均數(shù)量的五倍運(yùn)行過程,見表二。在這個(gè)表中 ,250 和 500 之間沒有顯著差異迭代,所以 250 次迭代是足夠的提出遺傳算法。當(dāng)集群的人口規(guī)模和數(shù)量的增加, 更好的解決方案將被提出。如果人口規(guī)模變大,那么即使迭代次數(shù)減少也能更好的解決方案也將被提出。方案 4.9、驗(yàn)證所提出的遺傳算法驗(yàn)證提出的遺傳算法,相關(guān)輸出相比較是較常見的聚類的數(shù)學(xué)方法。在本文中,我們比較該算法聚類四種已知的方法,即最近鄰方法,最遠(yuǎn)的鄰居法、平均法、病房法合并數(shù)據(jù)。在集團(tuán)的平方誤差在表 3 顯示。比較結(jié)果表明,遺傳算法在本文開發(fā)的適用于集群的性能權(quán)衡。5、結(jié)論本文開發(fā)了一種遺傳算法(GA)對聚類的性能權(quán)衡站在伊朗研究的案例?？捎脭?shù)據(jù)六分析 126 電臺和電臺集群使用的參數(shù)開發(fā)了基于遺傳算法的模型。,收集到的標(biāo)準(zhǔn)化數(shù)據(jù)解決現(xiàn)有問題的不同維度的參數(shù)。提出了分析了遺傳算法的不同數(shù)量的集群,迭代,和人口規(guī)模,并討論了相關(guān)的結(jié)果。驗(yàn)證在數(shù)學(xué)聚類之間已經(jīng)完成的基于算法的比較健康的價(jià)值觀和相同的標(biāo)準(zhǔn)稱為平方誤差的總和。未來的研究可以集中在用多個(gè)參數(shù)來評估重站的性能. 此外,提出的遺傳算法可用于集群站在其他領(lǐng)域的執(zhí)行活動(dòng),如超速和超車。