Fig. 3 shows the energy consumption

Fig. 3 shows the energy consumption versus the number of nodes. A tradeoff between the energy and the delay is obtained when both, the energy and the delay, are combined in a single objective function. The combined objective function allows both objectives to be minimized simultaneously. For the optimal solution the energy consumption is 15% of that of the HGR algorithm, while the energy consumption of MOGA is 50% of that of the HGR algorithm at N=50.
Fig. 4 depicts the delay versus the number of nodes. The results show that delay of MOGA is longer than that of the optimal one because the GA get trapped at local optimum solutions. Furthermore, the gap between MOGA and the HGR increases as the number of nodes increases because of the parallelism of GA in finding the solution.

結果 (繁體中文) 1:

圖 3 顯示了能量消耗與節點的數目。當能量和延遲，同時，結合在一個單一的目標函數得到能量和延遲之間的折衷。結合目標函數允許這兩個目標，同時達到最小。最優解能源消費是 15 %hgr 演算法，雖然 MOGA 的能源消耗是 50%，N = 50 HGR 演算法。圖 4 描繪了延時與節點的數目。結果表明，延遲 MOGA 是長於最優因為遺傳演算法陷入局部最優解在。此外，MOGA 與 HGR 之間的差距增加作為節點數的增加的並行遺傳演算法在求解。

結果 (繁體中文) 2:

圖。圖3示出的能量消耗與節點的數目。當兩個，能量和延遲，在一個單一的目標函數相結合，得到的能量和延遲之間的折衷。合併後的目標函數允許這兩個目標可以同時最小化。為最優解的能量消耗是該HGR算法的15％，而MOGA的能量消耗是，在N = 50。在HGR算法的50％
圖 圖4描繪的延遲與結點的數目。結果顯示MOGA的該延遲比最優的，因為對GA得到被困在局部最佳解決方案的時間。此外，MOGA和HGR之間的間隙增大作為節點的數目增加，因為遺傳算法在尋找溶液的平行度。

結果 (繁體中文) 3:

圖3顯示了節點的能量消耗量。能量和延遲之間的權衡，得到時，能量和延遲，在一個單一的目標函數相結合。合併的目標函數允許兩個目標同時被最小化。對於能源消耗的15%，HGR算灋的最優解，而多目標遺傳演算法的能量消耗的50%，HGR算灋在n = 50。圖4描述的延遲與節點的數目。結果表明，延遲算灋比最優不再因為遺傳演算法陷入局部最優解。此外，差距MOGA和HGR之間新增節點數量的新增，由於遺傳演算法在求解的並行性。