Examples of using 유전 알고리즘 in Korean and their translations into English
{-}
-
Colloquial
-
Ecclesiastic
-
Ecclesiastic
-
Programming
-
Computer
유전 알고리즘.
승자는 거의 항상 유전 알고리즘 (모범)을 사용합니다.
The winner is nearly always using the genetic algorithm.유전 알고리즘.
(Traveling Salesman Problem), 유전 알고리즘Genetic….
Traveling Salesman Problem(Genetic Algorithms).유전 알고리즘.
Darwinian algorithm.Combinations with other parts of speech
우리는 지금 우리의 유전 알고리즘 “WEB “진화”단계를 시작할 수 있습니다.
We can now start the“evolution” step of our genetic algorithm.유전 알고리즘이란?
Genetic Algorithms?승자는 거의 항상 유전 알고리즘 (예제 유전 알고리즘 파이썬)을 사용합니다.
The winner is nearly always using the genetic algorithm.왜 유전 알고리즘을 사용하는가?
Why Use Genetic Algorithms?Bremermann의 연구는 또한 현대 유전 알고리즘의 요소를 포함했습니다.
Bremermann's research also included the elements of modern genetic algorithms.유전 알고리즘, 시간표 작성관련.
Genetic algorithms and timetabling.기계 학습에서 유전 알고리즘은 1980 년대와 1990 년대에 사용되었습니다.
In machine learning, genetic algorithms were used in the 1980s and 1990s.유전 알고리즘의 두 번째 요소: 선택.
The Genetic Algorithm, Part II: Selection.우리는 우리의 유전 알고리즘 WEB 번식에 대한 생물학적 비유를 유지할 수 있습니다.
We can keep on the biologic analogy for the breeding in our genetic algorithm.유전 알고리즘: 완벽한 트롤로의 진화.
Genetic Algorithms: Evolving the Perfect Troll.물론 저렴한 CPU와 또 하나의 중요한 돌파구인 유전 알고리즘이 있습니다.
Of course, inexpensive microprocessors and a very important breakthrough-- genetic algorithms.정말 유전 알고리즘에 깊은 다이빙을 호기심했다.
Really made me curious to dive deep into Genetic Algorithm.상이한 납기와 도착시간을 갖는 단일기계 일정계획을 위한 유전 알고리즘 설계 ( A Genetic Algorithm for Single Machine Scheduling with Unequal Release Dates and Due Dates ).
A genetic algorithm for scheduling on a single machine with setup times and due dates.유전 알고리즘은 실제 세계에서 많은 응용 프로그램이 있습니다.
Genetic algorithm has many applications in real world.그런 다음 유전 알고리즘이 우리의 문제 (모범)에 대한 해결책 세트를 제공했다고합니다.
Then it is said that the genetic algorithm has provided a set of solutions to our problem.유전 알고리즘 / 유전 프로그래밍 솔루션의 좋은 예는 무엇입니까?
What are good examples of genetic algorithms/genetic programming solutions?지금, 나는 당신이 유전 알고리즘의 개념이 생물학 예제과 다소 관련이 있다는 직관을 가지고 있다고 가정합니다.
Now, I suppose you have got some intuition that the concept of a genetic algorithm is somewhat related to biology.유전 알고리즘은 구현하기 가 간단하지만, 그들의 행동은 이해하기 어렵다.
Genetic algorithms are simple to implement, but their behavior is difficult to understand.위험은 다음과 같습니다: 당신이 유전 알고리즘의 시작 부분에 좋은 솔루션만 선택하면 당신은 로컬 최소로 정말 빨리 수렴하고 가능한 최선의 솔루션을 향해하지 않을 것입니다.
The hazard is: if you select only the good solutions at the beginning of the genetic algorithm you are going to converge really quickly towards a local minimum and not towards the best solution possible.오늘날 유전 알고리즘을 이용하면, 3 GHz 프로세서를 탑재한 컴퓨터를 이용해 이전까지 풀기 힘들었던 많은 문제를.
With a genetic algorithm on a computer today, with a three gigahertz processor, you can solve many formerly intractable problems in just a matter of minutes.자, IT 분야에 종사하는 분이 많은 그룹에서 저는 제가 언급하지 않을 것에 대해서 말해야 할거구요, IT의 소프트웨어 분야는 상당 부분을 생물체로 배웠다는 것을 말해야 합니다. 마치 면역 시스템처럼 스스로를 방어하는 컴퓨터가 있습니다,그리고 우리는 유전자 규칙과 생물학적 발전으로부터 배웁니다 또한 우리는 신경망과 유전 알고리즘과 진화적인 컴퓨팅으로부터도 배우죠.
Now, in a group with so many IT people, I do have to mention what I'm not going to talk about, and that is that your field is one that has learned an enormous amount from living things, on the software side. So there's computers that protect themselves, like an immune system, andwe're learning from gene regulation and biological development. And we're learning from neural nets, genetic algorithms, evolutionary computing.아웃 유전 알고리즘은 다음 가능한 모든 조합을 탐구 할 수 있습니다.
Out genetic algorithm can then explore all possible combinations.따라서 유전 알고리즘의 정의를 공식화하기 위해, 우리는 우리가 최고의 출력 값이나 결과 본보기를 얻을 수 있도록 입력의 이러한 값을 찾으려고 최적화 기술이라고 말할 수 있습니다.
So to formalize a definition of a genetic algorithm, we can say that it is an optimization technique, which tries to find out such values of input so that we get the best output values or results.실제 가치 있는 유전 알고리즘의 개념은 제공되었지만 1970년대에 존 헨리 홀런드가 제안한 빌딩 블록 이론을 실제로 나타내지 않기 때문에 실제로 는 오해의 소지가 있습니다.
The notion of real-valued genetic algorithms has been offered but is really a misnomer because it does not really represent the building block theory that was proposed by John Henry Holland in the 1970s.이것을 시도하기 위해 유전 알고리즘을 개발했죠. XL 다표면 반사체로 모델을 만들었는데, 하루에 걸쳐 태양으로부터 대부분의 각도로부터 가장 많은 빛을 모을 수 있는 방법을 적합성 함수로 정의하여 수십억 차례, 수십억의 다른 시도를 통해 문자 그대로 엄청난 진화가 있었습니다.
So we created a genetic algorithm to try this out, we made a model in Excel of a multisurface reflector, and an amazing thing evolved, literally, from trying a billion cycles, a billion different attempts, with a fitness function that defined how can you collect the most light, from the most angles, over a day, from the sun.
