In Fig. 5 and Fig. 6, the energy an

In Fig. 5 and Fig. 6, the energy and the delay are respectively shown for different weighting factors ω. The optimal solution given in these figures, is generated from (15). The energy is obtained using the Newton-Raphson method applying the optimal weighting factor ω∗. The optimization results from [12] and MOPT with ω = 0.5 is presented. Fig. 5 shows the energy consumption versus ω. The results related to the energy show how the energy consumption, under each ω, affects the performance. It is evident that MOGA achieves 40% saving in the energy consumption compared to that of the HGR algorithm at ω close to one. MOGA is getting two times savings compared to HGR at ω equals to half. Fig. 5 results are significantly lower for various ω not only for the optimal solution, but also for a sub-optimal solution obtained by MOGA than HGR [7].

結果 (繁體中文) 1:

在圖 5 和圖 6 中，能量和延遲會分別顯示為不同的權重因數 ω。在這些數位，給出的最優解是從 (15) 生成的。能源獲得用牛頓-拉夫遜法應用最優加權因數 ω∗。[12] 的優化結果和初一與 ω = 0.5 提出了。圖 5 顯示了與 ω 的能量消耗。與能源有關的研究結果表明，能源消耗，根據每個 ω，對性能的影響。很明顯 MOGA 達到 40%，節省能耗相比，在接近一個 ω HGR 演算法。MOGA 正在兩次儲蓄相比 HGR 在 ω 等於一半。圖 5 結果是相當低的各種 ω 不僅的最優解，但也比 HGR [7] MOGA 次優解。

結果 (繁體中文) 2:

在圖 圖5和圖 6，能量和延遲分別示為不同的加權因子ω。在這些圖給出的最優解，從（15）中產生。使用Newton-Raphson方法施加最佳的加權因子ω*得到的能量。從[12]的優化結果，並與MOPTω= 0.5呈現。圖。圖5示出了能量消耗與ω。相關的能量的結果表明如何能耗，各ω下，會影響性能。該MOGA達到的能耗節省40％，比，在ω的HGR算法接近一個很明顯。相比HGR MOGA越來越兩次節省在ω等於一半。圖。5結果是關於各種ω不僅為最佳解決方案，但還用於通過MOGA比HGR [7]而得到的次優解顯著降低。

結果 (繁體中文) 3:

在圖5和圖6，能量和延遲分別顯示不同的加權因數ω。在這些數據中給出的最優解，是由（15）產生的。能源的使用牛頓-拉夫遜法應用的最優加權係數ω∗獲得。優化結果從[ 12 ]和數學開放題教學與ω= 0.5了。圖5顯示了能源消費與ω。結果相關的能量如何消耗能量，在每個ω，影響效能。顯而易見的是，MOGA達到40%節約能源消耗相比，HGR算灋在ω接近1。MOGA獲得兩倍的儲蓄相比，HGR在ω一半。圖5的結果是不同的ω不僅對最優解的顯著降低，同時也為次優解的多目標遺傳演算法比HGR [ 7 ]。