The generated solutions share some

The generated solutions share some features taken from each chromosome. The solution with the lower fitness are less likely to be involved in the crossover stage. A new population of possible solutions is produced by the selection of the best chromosome from the current generation. The process of the generation and the selection is repeated until the stopping criteria are reached. With the proper tuning of the GA parameters, the population will converge to the nearoptimal solution of the named problem [17].
Multi-objective optimization using genetic algorithms (MOGA) is an interesting tool introduced [18] to solve MOPT problems. MOGA is very attractive because of its ability to search partially ordered search space for several alternative tradeoffs. Additionally, MOGA can track several solutions simultaneously via its population. The proposed algorithm for MOGA is introduced in Algorithm 1 and the flow chart of MOGA is explained in Fig. 2.

結果 (繁體中文) 1:

生成的解決方案都共用一些取自每個染色體的功能。與較低的健身解決方案很少能夠參與交叉階段。新種群的可能的解決辦法是由從當前一代的最佳染色體的選擇產生的。重複的生成與選擇過程，直到到達停止條件。與遺傳演算法參數的適當調整，人口將趨同于鬆馳問題解的命名 [17]。多目標優化遺傳演算法 (MOGA) 是有趣的工具介紹 [18] 解決題問題。MOGA 是非常有吸引力，因為它能夠搜索幾個替代權衡偏序的搜索空間。此外，MOGA 可以來跟蹤幾個解決方案同時通過它的人口。演算法 1 介紹了為 MOGA 演算法和 MOGA 流程圖解釋在圖 2 中。

結果 (繁體中文) 2:

生成的解決方案，分享每個染色體採取了一些功能。與下健身溶液不太可能參與該交叉階段。可能的解決方案的新群體是通過從當前一代最佳的染色體的選擇製備。重複生成和選擇的過程，直到停止標準為止。與遺傳參數的適當調諧，人口將收斂到指定的問題[17]的nearoptimal溶液。
利用遺傳算法（MOGA）多目標優化是引入[18]來解決MOPT問題的一個有趣的工具。MOGA是因為它能夠搜索部分有序的搜索空間為幾種可供選擇的折衷能力非常有吸引力。此外，MOGA可以通過它的人口同時跟踪多個解決方案。該算法為MOGA在算法1引入並MOGA的流程圖圖進行說明。2。

結果 (繁體中文) 3:

所產生的解決方案分享一些從每個染色體的功能。與較低的健身的解決方案是不太可能參與交叉階段。一個新的人口可能的解決方案是由最佳的染色體從現時的一代。生成和選擇的過程是重複的，直到達到停止標準為止。與適當的調整算灋參數，人口將收斂到指定的問題[ 17 ]的最佳解決方案。基於遺傳演算法的多目標優化（MOGA）是[ 18 ]介紹解决數學開放題教學問題的一個有趣的工具。多目標遺傳演算法很有吸引力，因為其蒐索部分有序的蒐索空間的幾種可供選擇的權衡能力。此外，多目標遺傳演算法可以跟踪幾個解決方案，同時通過其人口。該算灋在算灋1和算灋的多目標遺傳演算法流程圖如圖2解釋。