The levels of experimental factors

The levels of experimental factors are shown in Table 6. Commonlyused three-level orthogonal tables include L9(q4), L18(q7),and L27(q13). Based on the selection principle for orthogonal tables[38], L18(q7) is adopted in this paper. Each experiment in theorthogonal table is simulated by Fluent and the results correspondingto qV are given in Table 7.From the orthogonal experiment results, 15 randomly selecteddata points are used as training data set and 3 other data pointsare used as test data. The Levenberg-Marquardt algorithm is usedto train the network in the training function. The process of similartaxisand dissimilation is shown in Fig. 17. After several similartaxisoperation cycles, in Fig. 17(a) and (b), scores of the initialsuperior and temporary subgroups become constant. This meansthat each of these subgroups is mature. Comparing Fig. 17(a) and(b), it is found that the scores of initial temporary subgroups subgroup1, subgroup 2, and subgroup 3 are higher those of the initialsuperior subgroups subgroup 2, subgroup 4, and subgroup 5.Hence, the dissimilation operation is conducted thrice and 3 newsubgroups are added to the temporary subgroups. In Fig. 17(c), itcan be observed that the score of each subgroup remains constantin the similartaxis process, which means that these subgroups aremature. Comparing Fig. 17(c) and (d), it can be noted that thescores of temporary subgroups are lower than those of superiorsubgroups and therefore the dissimilar operation is no longer executed.In this instance, superior subgroups have already beenadded to the global billboard.Fig. 17. The process of similartaxis and dissimilation operation. The parameters of BPNN are maximal iterative number 100, convergence error 1.0  10–4 and learning rate0.1. The parameters of MEA are size of population 200, number of superior groups 5, number of temporary groups 5, size of superior groups 20 and size of temporary groups20.

結果 (繁體中文) 1:

實驗因子水平在表6中示出常用
使用三電平正交表包括L9（Q4），L18（Q7），
和L27（Q13）。基於用於正交表的選擇原則
[38]，L18（Q7）在本文中被採用。在每個實驗
正交表由流利模擬和對應的結果
到QV在表7中給出
從正交試驗結果，15隨機選擇的
數據點被用作訓練數據集和3其它數據點
被用作測試數據。列文伯格-馬夸特算法用於
訓練網絡訓練功能。趨同的方法
和異化示於圖17的幾個趨同後
操作週期，在圖17（a）和（b）中，初始的分數
優越和臨時子群成為恆定。這意味著
，每個這些亞組的是成熟的。比較圖17（a）和
（b）中，發現的初始臨時子組亞組的得分
1，子組2，和子組3是那些更高的初始
優越亞子組2，子群4，和子組5
因此，異化的操作被進行三次和3個新的
子組被添加到臨時子組。在圖17（c）中，
可以觀察到，每個子組的評分保持不變
的趨同過程，這意味著，這些子組
成熟。比較圖17（c）和（d）中，可以指出的是，
臨時子組的分數比優良的低
子組，因此不再執行異種操作。
在這種情況下，上級分組已經
加入到全球的廣告牌。


圖17和趨同異化操作的過程。BPNN的參數是最大迭代次數100，會聚誤差1.0？10-4和學習速率
0.1。MEA的參數為人口200的尺寸，優良組5的數量，臨時組5的數，優異的組20的尺寸和尺寸臨時組的
20。

結果 (繁體中文) 2:

實驗因數的水準在表6中。通常
使用的三級正交表包括L9（q4），L18（q7），
和 L27（q13）。基於正交表的選擇原則
[38]，本文采用L18（q7）。每個實驗
正交表由Fluent類比，結果對應
到 qV 在表 7 中給出。
從正交實驗結果中，隨機播放15個
資料點用作訓練資料集和 3 個其他資料點
用作測試資料。使用列文伯格-馬誇特演算法
在培訓功能方面訓練網路。類似軸的過程
和異化如圖17所示。經過幾個類似的計畫
操作週期，如圖 17（a） 和 （b） 所示，初始
上級和臨時子組變得恒定。這意味著
這些子組中的每一個都成熟了。比較圖17（a）和
（b），發現初始臨時分組的分數
1、子組 2 和子組 3 高於初始組
上級子組 2、子組 4 和子組 5。
因此，異化操作進行了三次和3新
子組將添加到臨時子組中。在圖17（c）中，它
可以觀察到每個子組的分數保持不變
在類似的計程車過程中，這意味著這些子組
成熟。比較圖17（c）和（d），可以注意到，
臨時子組的分數低於上級
子組，因此不再執行不同的操作。
在這種情況下，上級子組已經
添加到全域看板。

圖17。類似軸和異化操作的過程。BPNN的參數最大反覆運算數100、收斂誤差1.010⁄4和學習速率
0.1. MEA的參數是人口200人，高級組5人，臨時組數5，上級組20個，臨時組
20.

結果 (繁體中文) 3:

實驗因素水准見錶6。一般
使用的三級正交表包括L9（q4）、L18（q7），
和L27（問題13）。基於正交表的選擇原則
[38]，本文採用L18（q7）。每個實驗
用Fluent對正交表進行了模擬，得到了相應的結果
qV見錶7。
從正交試驗結果中，隨機選取15個
數據點用作訓練數据集和其他3個數據點
用作測試數據。使用了Levenberg-Marquardt算灋
訓練網絡的訓練功能。相似過程
异化如圖17所示。幾次相似之後
運行週期，在圖17（a）和（b）中，初始
上亞群和臨時亞群成為常數。這意味著
每個亞組都是成熟的。比較圖17（a）和
（b），發現初始臨時子群的得分
1，第2和第3子組高於初始值
上亞組第2亞組、第4亞組和第5亞組。
囙此，异化操作進行了三次，新的
子組將添加到臨時子組。在圖17（c）中
可以觀察到每個亞組的得分保持不變
在相似過程中，這意味著這些子群
成熟。比較圖17（c）和（d），可以注意到
臨時亞組得分低於優勢亞組
子組，囙此不再執行不同的操作。
在這種情況下，上級子群已經
添加到全球看板。
圖17。相似與异化操作的過程。BPNN的參數為最大反覆運算次數100、收斂誤差1.010-4和學習率
0.1分。MEA的參數有：人口200、優勢群5、臨時群5、優勢群20和臨時群
20歲。