多种遗传算法在函数优化方面的性能比较分析
遗传算法的性能评价方法
遗传算法的性能评价方法遗传算法（Genetic Algorithm，GA）是一种基于自然选择和遗传机制的优化算法，被广泛应用于求解复杂问题。
然而，如何评价遗传算法的性能一直是一个关注的焦点。
本文将探讨遗传算法的性能评价方法。
一、问题定义在评价遗传算法的性能之前，首先需要明确问题的定义。
不同的问题可能需要不同的评价指标。
例如，在求解函数优化问题时，常用的评价指标包括收敛速度、最优解的精度等；而在求解组合优化问题时，评价指标可能包括找到的可行解数量、解的质量等。
因此，在评价遗传算法的性能时，需要根据具体问题的特点选择合适的评价指标。
二、收敛速度收敛速度是评价遗传算法性能的重要指标之一。
收敛速度指的是遗传算法在求解问题时，找到最优解所需的迭代次数。
一般来说，收敛速度越快，遗传算法的性能越好。
常用的评价方法包括绘制收敛曲线、计算收敛速度等。
绘制收敛曲线是一种直观的评价方法。
通过绘制每一代种群的适应度值随迭代次数的变化曲线，可以观察到遗传算法的收敛情况。
如果曲线在迭代初期快速下降，并在后期趋于平稳，则说明遗传算法具有较好的收敛速度。
计算收敛速度是一种定量的评价方法。
常用的计算方法包括计算平均收敛速度、最大收敛速度等。
平均收敛速度指的是遗传算法在多次运行中找到最优解所需的平均迭代次数；最大收敛速度指的是遗传算法在多次运行中找到最优解所需的最大迭代次数。
通过计算收敛速度，可以对遗传算法的性能进行定量评价。
三、解的质量除了收敛速度，解的质量也是评价遗传算法性能的重要指标之一。
解的质量指的是遗传算法找到的最优解与真实最优解之间的差距。
解的质量越高，遗传算法的性能越好。
常用的评价方法包括计算解的相对误差、计算解的准确率等。
计算解的相对误差是一种常用的评价方法。
相对误差指的是遗传算法找到的最优解与真实最优解之间的相对差距。
通过计算相对误差，可以评估遗传算法的解的质量。
另外，计算解的准确率也是一种常用的评价方法。
准确率指的是遗传算法找到的最优解与真实最优解之间的一致性程度。
遗传算法与其他优化算法的比较分析
遗传算法与其他优化算法的比较分析介绍：在计算机科学领域，优化算法是一类用于解决最优化问题的方法。
随着计算机技术的发展，优化算法在实际应用中发挥着重要的作用。
本文将对遗传算法与其他优化算法进行比较分析，探讨它们的优势和不足之处。
一、遗传算法的基本原理遗传算法是模拟生物进化过程的一种优化算法。
它通过模拟自然界中的遗传、交叉和变异等过程，逐步搜索最优解。
遗传算法的基本原理包括编码、选择、交叉和变异等步骤。
编码将问题转化为染色体的形式，选择通过适应度函数筛选出较优的个体，交叉将两个个体的染色体进行交换，变异则是对染色体进行随机变动。
二、遗传算法的优势1. 广泛适用性：遗传算法适用于各种类型的问题，包括线性和非线性问题、连续和离散问题等。
这使得它在实际应用中具有广泛的适用性。
2. 全局搜索能力：遗传算法通过随机性和多样性的搜索策略，能够在搜索空间中找到全局最优解，避免陷入局部最优解。
3. 并行性：遗传算法的并行性较强，可以通过多线程或分布式计算等方式提高求解效率。
三、遗传算法的不足之处1. 参数调整困难：遗传算法中的参数设置对算法的性能影响较大，但很难确定最优的参数取值。
不同的问题需要不同的参数设置，这增加了算法的复杂性。
2. 运算时间较长：由于遗传算法的搜索过程是通过迭代进行的，因此在求解复杂问题时，运算时间较长。
这限制了其在某些实时性要求较高的应用中的应用。
3. 可能陷入局部最优解：虽然遗传算法具有全局搜索能力，但在某些情况下，由于搜索空间较大或问题的特殊性，遗传算法可能会陷入局部最优解。
四、与其他优化算法的比较1. 粒子群算法：粒子群算法是一种模拟鸟群觅食行为的优化算法。
与遗传算法相比，粒子群算法更加注重个体之间的信息共享，具有较快的收敛速度。
但在解决复杂问题时，遗传算法更具优势。
2. 模拟退火算法：模拟退火算法通过模拟固体物体冷却过程中的原子运动，搜索最优解。
与遗传算法相比，模拟退火算法更注重局部搜索能力，对于复杂问题的全局搜索能力较弱。
遗传算法在优化问题中的应用方法与解空间分析
遗传算法在优化问题中的应用方法与解空间分析摘要：遗传算法是一种经典的优化算法，通过模拟生物进化的过程，以一种自然的方式来解决复杂的优化问题。
本文将介绍遗传算法的基本原理和流程，并分析其在优化问题中的应用方法。
同时，对遗传算法的解空间进行分析，探讨其在搜索过程中可能遇到的问题及解决方法。
1. 引言优化问题是在给定的约束条件下，寻找使目标函数达到最值的变量组合或参数设定的过程。
遗传算法作为一种全局优化算法，能够寻找到大局最优解，已被广泛应用于许多领域。
2. 遗传算法的基本原理遗传算法模拟了生物进化的过程，通过选择、交叉、变异等操作，逐步改进种群中个体的适应度，从而找到最优解。
其基本原理包括：个体表示、适应度评估、选择、交叉、变异等。
3. 遗传算法的流程遗传算法的流程可分为初始化、评估、选择、交叉、变异和终止等步骤。
其中，初始化阶段通过随机生成初始种群，评估阶段计算每个个体的适应度值，选择阶段根据适应度值选择优秀个体，交叉阶段将选择的个体进行交叉生成新个体，变异阶段对新个体进行变异操作，终止阶段通过判断达到终止条件来结束算法。
4. 遗传算法在优化问题中的应用方法4.1. 参数优化遗传算法常用于对参数进行优化，如机器学习中的参数调节、神经网络中的权重优化等。
通过遗传算法的迭代搜索过程，找到最适合模型的参数组合，从而提高模型的性能。
4.2. 排队问题排队问题是一类典型的优化问题，如车辆调度、任务分配等。
遗传算法可以将问题抽象为个体的染色体表示，通过适应度评估和选择操作，找到最优的个体组合，从而优化排队效果。
4.3. 组合优化问题组合优化问题是一种NP难问题，如旅行商问题、背包问题等。
遗传算法通过对解空间进行搜索，避免陷入局部最优解，找到全局最优解。
5. 解空间分析解空间是指问题的解所构成的空间，是遗传算法搜索的目标。
解空间的特点包括：维度、约束、连续性和离散性。
其中，维度表示解空间的维度数量；约束指的是问题中的各种限制条件；连续性表示解空间中的解是否连续；离散性则表示解空间中的解是否离散。
关于函数优化遗传算法的研究
ｔ＝ ０
些新 的模拟 进 化算 法也 逐 渐 出现 并 日益 完善 ， 为这 类 复杂 优
化 问题 提供 了一定 的 解决 方 案 。遗传 算 法是 目前 研究 最 多 、 应用 最 广 的模 拟进 化算 法 ， 在众 多 领域 得 到 了广泛 应 用 。本 文 就遗 传算 法 在 函数 优 化 问题 中的 编码 方 式 及 遗 传 操 作 作
许多 实 际 问题都 可 以归 结 为优 化 问题 ， 统 的优 化技 术 传 往往 都对 目标 函数 有 一定 要 求 ， 连 续 可 微 性 、 性 等 。而 如 凸 在 实 际应用 中 ， 目标 函数 往 往 是 非 凸 的 ， 有许 多 局 部 最 优 具 点， 有效 地求解 非 凸函数 的全局 最 优解 是 一个 非 常 困难 的 问 题 。特 别是 对 于 大规 模 问 题 ， 由于 局部 最 优 点 的增 多 ， 得 使 寻求 全局最 优 点 的难 度增 大 ， 因而 研究 有 效 的全局 优 化方 法 具有 重要 的现 实 意义 。近 年 来 ， 随着 计算 技 术 的发 展 ， 些 一 新 的智 能算 法 （ 遗 传 算 法 、 拟 退 火 算 法 、 忌 搜 索 算 法 ） 如 模 禁 得到 了迅 速 发 展 和 广 泛 应 用 。特 别 是模 拟 进 化 算 法 （ Ａ、 Ｇ Ｇ 、ｓ ， Ｐ Ｅ ） 无论 是 理论 研 究还 是应 用 研 究都 空 前活跃 ， 时 ， 同 一
关 于 函 数 优 化 遗 传 算 法 的 研 究
张 焱
（ 阳大 学师 范学 院数 学 与计算 机 系 ，辽 宁 沈 阳 １０ １ ） 沈 １０ ６ 摘 要 ：遗 传算 法 是一 种 有 效的模 拟进 化 算 法 ，针 对 不 同 问题 ，编码 方 式 多种 多样 。本 文 就 函数 优 化 问题 ，
遗传算法及其在优化问题求解中的应用
遗传算法及其在优化问题求解中的应用概述遗传算法是一种模拟大自然进化过程中的遗传机制和自然选择原理的计算模型。
它通过模拟遗传、交配、变异和适应度选择等过程，以求解各种优化问题，如旅行商问题、背包问题等。
遗传算法已经广泛应用于工程、经济和科学领域，并取得了非常好的效果。
遗传算法的基本原理遗传算法的基本原理是通过模拟进化过程找到最优解。
其具体步骤包括初始化种群、计算适应度、选择、交叉、变异等。
首先，将问题的可能解表示为基因编码的形式，并通过初始化生成一个初始种群。
然后，通过计算每个个体的适应度来评价解的优劣。
适应度越高的个体在选择过程中被选中的概率越大。
接下来，选中的个体进行交叉和变异操作，以产生下一代种群。
重复这个过程直到满足停止条件，即找到了最优解或达到了预定的迭代次数。
遗传算法的优点遗传算法相对于其他优化算法具有以下优点：1. 适应性强：遗传算法通过适应度函数来评价解的优劣，可以灵活地适应于不同问题的求解。
2. 并行性高：遗传算法具有良好的并行性，可以减少求解时间。
3. 全局优化能力强：遗传算法具有全局搜索能力，能够找到全局最优解或接近最优解。
4. 对问题的约束条件不敏感：遗传算法在求解约束优化问题时，不需要对约束条件进行特别处理，而是通过编码方式进行隐式处理。
遗传算法在优化问题求解中的应用1. 旅行商问题 (Traveling Salesman Problem, TSP)：旅行商问题是指为了访问多个城市而寻找最短路径的问题。
遗传算法可以通过对路径进行编码，然后利用选择、交叉和变异等操作，找到一条最短的路径。
遗传算法在解决TSP上的效果优于其他传统算法。
2. 背包问题 (Knapsack Problem)：背包问题是求解如何组合给定重量和价值的物品，使得背包的总价值最大。
在背包问题中，遗传算法可以通过编码每个物品的选择与不选择来进行求解。
通过适应度函数的评价和交叉、变异操作的应用，可以找到最优的物品组合方式。
遗传算法在数值优化问题的分析及改进
一
遗 传 算 法 的 主 要结 构 （ ） 子 介绍 二 算 标 准 的 遗 传 算 法 的 操 作 算 子 一 般 包 括 选 择 ｓ ｌ ｔ ｎ 、 叉 ｅ ｃ ｏ１交 ｅｉ （ ｏｓｖｒ． 异 （ｕａ ｏ） 种 基 本 形 式 。【 ｃ ｓｏｅ 变 ｒ ） ｍ ｔｉｎ ｔ ５ １ （） 择 箅 子 １选 选 择 算 子 ｆ 称 复 制 算 子 １ 对 群 体 中 的个 体 按 照优 胜 劣 汰 或 是 的 方 式 进 行操 作 ． 同时 将 父 代 特 征遗 传 到下 一 代 的过 程 其 基础
染 学 生 因此 ． 高 武 术 教 育 工 作 者 自身 武 德 修 养 的 综 合 素 质 ． 提 高 校 武 术 课 教 学 长 期 以来 偏 重 于 技 术 与 技 能 的传 授 ．忽 视 在 将 武 德 教 育 更好 的 融 人武 术 教 学 中起 着 重 要 的作 用 武 德 传 授 武 德 不 仅 在 高 校 武 术 教 学计 划 中 几乎 不见 踪影 ． 且 而 ２２以科 学 的 时 间 、 法 和 手段 对 学 生 进 行 武 德 教 育 ． 方 从 学生选择 习武活动 的一开始 就要 对他们进 行武德 教育 ． 在 实 际 教 学 进 行 中武 德 教 育也 微 乎 其 微 ： 武 德 教 育 在 武 术 教 学 中没 有 明 确 提 出 ．各 版 本 高 校 体 育 教 材 中有 关 武 术 的章 节 中 关 对 传 统 武 德 进 行 分 析 ． 承 传 统 武 德 中合 理 的成 分 ， 判 过 时 的 继 批
、
之 间 的信 息 交 换 ． 整 个搜 索 过 程 中 ． 梯 度 信 息 的 依 赖 程 度 将 在 对 到 ＿ 低 ． 得 到 ｒ较 为理 想 的 结 果 ． 其 在 较 难 解 决 的搜 索 方 ｒ 最 而 尤 面 ． 统 的 搜 索 方 法 无 法 实 现 ， 及 在 非 线 性 问 题 上 ． 传 算 法 传 以 遗
遗传算法在机器学习中参数优化作用
遗传算法在机器学习中参数优化作用机器学习领域中，参数优化是提高模型性能和泛化能力的重要环节。
而遗传算法作为一种经典的优化算法，因其对搜索空间的全局探索和多样性维持能力，被广泛应用于机器学习中的参数优化问题。
本文将介绍遗传算法在机器学习中的参数优化作用，并探讨其应用的优势和限制。
首先，遗传算法在机器学习中的参数优化作用体现在以下几个方面：1. 全局搜索能力：遗传算法通过在参数空间进行随机搜索和迭代优化，能够有效地遍历搜索空间并找到全局最优解。
相比于其他优化算法，如梯度下降等，遗传算法更适用于非凸、高维的参数优化问题。
2. 多样性维持能力：遗传算法通过使用交叉、变异等操作来产生新的个体，从而保持种群的多样性。
这一特性可以防止陷入局部最优解，并提高整体搜索的效率。
3. 适应度评估机制：遗传算法通过适应度函数来评估每个个体的优劣，并根据适应度的大小进行选择、交叉和变异操作。
这一机制可以根据问题的需求来设计不同的适应度函数，从而实现对优化目标的灵活定义和调整。
除了以上的优势，遗传算法在机器学习中的参数优化也存在一些限制和挑战：1. 计算复杂度高：由于遗传算法需要维护一个种群并进行大量的随机搜索和迭代优化，其计算复杂度较高。
特别是当参数空间较大或需要进行大规模的并行优化时，计算负载会进一步增加。
2. 参数设置困难：遗传算法中的参数设置对最终优化结果有很大的影响。
选择合适的遗传算法参数和设置交叉、变异操作的概率等参数都需要经验和实验的支持，往往需要进行多次实验和调优。
3. 适应度函数设计：适应度函数的设计对遗传算法的性能至关重要。
合理设计适应度函数可以引导算法在搜索空间中快速找到感兴趣的区域，但如果适应度函数定义不合适，可能导致算法陷入局部最优解或过早收敛。
尽管存在一些限制和挑战，遗传算法仍然被广泛应用于机器学习中的参数优化问题，并取得了一定的成果。
下面将介绍几个实际应用的例子：1. 神经网络参数优化：神经网络作为一种强大的机器学习模型，其性能很大程度上依赖于参数的选择。
遗传算法与多Agent遗传算法操作与性能比较
遗传算法与多Agent遗传算法操作与性能比较摘要：该文主要介绍遗传算法及其改进的混合算法多Agent遗传算法在操作和性能上的差异，分析并证明了了遗传算法求解高维函数优化问题的局限性。
通过实验证明了多Agent遗传算法的执行性能上较遗传算法具有很大的优越性，特别是在求解不高于400维的优化问题时。
关键词：遗传算法；多Agent遗传算法；高维函数优化中图分类号：TP301文献标识码：A文章编号：1009-3044(2011)16-3893-03遗传算法（Genetic algorithm，简称GA）是进化计算的一个主要分支，是二十世纪六十年代初由美国Michigan大学的J.H.Holland教授所提出的[1]。
GA是一类随机搜索技术，它模拟由个体组成的群体的学习过程，其中的每个个体都代表了给定的搜索空间中的一个可能解。
从最初的点（即可能解）出发，通过不断的迭代，逐步改进当前解，直至搜索到最优解或满意解为止。
目前GA已经在人工智能、知识发现、模式识别、图象处理、决策分析、产品工艺设计、资源调度、股市分析等仍然不断增加的领域中发挥出了显著的作用。
多Agent遗传算法（Multi-Agent Genetic Algorithm，简称MAGA）是GA与多Agent技术相结合的一种混合算法，是由焦李成教授所提出的[2]。
MAGA与GA的实现机制与操作流程有很大不同，主要体现在个体之间的交互、协作和自学习上。
另外从算法执行性能上讲，MAGA作为一种改进的混合GA在收敛时间、优化结果上往往较传统GA有着很大的提升，特别是在处理超大规模、高维、复杂、动态优化问题时MAGA 算法存在着明显的优势。
1 遗传算法1.1 遗传算法的原理与实现机制GA是二十世纪六十年代初，由美国Michigan大学的J. H. Holland教授借鉴达尔文的生物进化论和孟德尔的遗传定律的基本思想，并从中提取、简化与抽象而提出的第一个进化计算算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
、 ， ０ Ｉ ． ３ ３ 、 Ｎｏ ． ５ Ｏｃ ｔ ． ２ ０１ ３
多种 遗传算法在 函数优 化方面
的性 能 比较分析
齐
摘
畅 ，王冬 霞 ，韩
颖
（ 辽宁工 业 大学 电子与 信 息工程 学 院， 辽宁 锦 州 １ ２ １ ０ ０ １ ）
要：进行 了 ４种常用的遗传算法 （ 适值 函数标 定遗传 算法、顺序选择遗传算法 、两 点交叉遗传算法和 自
Ａｎ ｄ Ｍ ＡＴ Ｌ ＡＢ ｗａ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｓ ｉ ｍｕ ｌ ａ ｔ ｅ ｔ ｈ ｅ ｅ ｘ ｐ ｅ ｉ ｒ ｍｅ ｎ ｔ ． ｈ ｅ Ｔ ｓ ｉ ｍｕ ｌ ａ ｉ ｔ ｏ ｎ ｓ ｈ ｏ ｗｓ ｔ ｈ ａ ｔ ｂ ｅ ｔ ｔ ｅ ｒ ｓ ｔ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｉ ｓ ｓ ｈ ｏ ｗｎ ｉ ｎ ｉ ｆ ｔ ｎ ｅ ｓ ｓ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ｃ ａ ｌ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ，ｓ ｅ ｑ ｕ ｅ ｎ ｉ ｔ ａ ｌ ｓ ｅ ｌ ｅ ｃ ｉ ｔ ｏ ｎ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ａ ｎ ｄ ａ ａｐ ｄ ｔ ｉ ｖ ｅ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｍ ｈ ｅ ｘ ｃ ｅ ｐ ｔ ｉ ｎｔ ｗｏ － ｐ ｏ ｉ ｎ ｔ Ｌ ＂ Ｔ Ｏ Ｓ Ｓ Ｏ Ｖ ｅ ｒ ｇ ｅ ｎ ｅ ｉ ｔ ｃ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ， ａ ｎ ｄｔ ｈ ｅ ｏ ｐ ｉ ｔ ｍａ ｌ ｓ ｏ ｌ ｕ ｉ ｔ ｏ ｎ ｓ ｏ ｆ ｔ ｈ ｅ ｍ ａ ｒ ｅ
适应遗传算法 ）在求函数最优解 问题上 的性能 比较分析 ，并采用 Ｍ Ａ Ｔ Ｌ Ａ Ｂ进行仿真 。仿真结果表 明，除两点交叉 遗传算法外 ，在求函数最优解 问题 上适值 函数标定遗传算法、顺序选择遗传算法和 自适应遗传算法均表现 出了较 好 的稳定性 ，同时所求得 的函数最优解均较准确 。其 中，顺序选择遗传算法在求 函数最优解 方面性 能最好 。 关键词 ：适值 函数标定遗传算法 ；顺序选择遗传算法 ；两 点交叉遗传算法 ： 自适应遗传 算法 ；函数最优解 中图分 类号 ：Ｔ Ｎ ９ １ １ 文献标 识码：Ａ 文章编号 ：１ ６ ７ ４ ． ３ ２ ６ １ （ ２ ０ １ ３ ） ０ ５ ． ０ ２ ９ ０ ． ０ ４
ｃ ａ ｌ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ， ｓ ｅ ｑ ｕ ｅ ｎ ｔ ｉ ａ ｌ ｓ ｅ ｌ ｅ ｃ ｉ ｔ ｏ ｎ ｇ ｅ ｎ ｅ ｉ ｔ ｃ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ， ｔ ｗｏ － ｐ ｏ ｉ ｎ ｔ ｃ ｒ ｏ ｓ ｓ ｏ ｖ ｅ ｒ ｇ ｅ ｎ ｅ ｉ ｔ ｃ
ＱＩ Ｃ ｈ ａ ｎ ｇ ， ＷＡ ＮＧ Ｄｏ ｎ ｇ － ｘ ｉ ａ ， ＨＡ Ｎ Ｙ ｉ ｎ ｇ
（ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ｓ ＆Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎＥ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇＣｏ ｌ ｌ ｅ ｇ ｅ ， Ｌ ｉ ａ ｏ ｎ ｉ ｎ ｇＵｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙｏ ｆ Ｔ ｃｌ ｅ ｍｏ ｌ ｏ ｇ ｙ ， Ｊ ｉ ｎ ｚ ｈ ｏ ｕ１ ２ １ ０ ０１ ， Ｃｈ ｉ ｎ ａ ）
第３ ３ 卷第 ５ 期
２ Ｏｌ ３年 １ Ｏ月
辽 宁工业 大学学报 （ 自然科 学版）
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｌ ｉ ａ ｏ ｎ ｉ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ （ Ｎａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅ ｄ ｉ ｉ ｔ ｏ ｎ ）
Ｐｅ ｒ ｆ ｏ ｒ ｍａ ｎ ｃ ｅ Ｃｏ ｍｐ ａ ｒ ｉ ｓ ｏ ｎ Ａｎ ａ ｌ ｙ ｓ ｉ ｓ ｏ ｆ Ｍｕ ｌ ｉｐ ｔ ｌ ｅ Ｇｅ ｎ ｅ ｉｃ ｔ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ
，
ｆ ｏ ｒ Ｆｕ ｎ ｃ ｉｏ ｔ ｎ Ｏｐ ｉｍ ｉ ｔ ｚ ａ ｉｏ ｔ ｎ
ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ａ ｎ ｄ ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ）ｗａ ｓ ｃ ａ ｒ ｒ ｉ ｅ ｄ ｏ ｕ ｔ ｉ ｎ ｓ ｏ ｌ ｖ ｉ ｎ ｇ ｆ ｕ ｎ ｃ ｉ ｔ ｏ ｎ ｏ ｐ ｉ ｔ ｍｉ ｚ ａ ｉ ｔ ｏ ｎ ｐ ｒ ｏ ｂ ｌ ｅ ｍ．
ｍｏ ｒ ｅ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ． Ａｍｏ ｎ ｇｔ ｈ ｅ ｍ， ｓ ｅ ｑ ｕ ｅ ｎ ｔ ｉ ａ ｌ ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｏ ｎｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｍ ｈ ｉ ｓ ｂ ｅ ｔ ｅ ｒ ｔ ｈ ａ ｎｔ ｈ ｅｏ ｔ ｈ ｅ ｒ ｓ ．
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｔ ｈ ｅ ｃ ｏ ｍｐ ａ ｒ ｉ ｓ ｉ ｏ ｎ ｏ ｆ ｆ ｏ ｕ ｒ ｋ ｉ ｎ ｄ ｓ ｏ ｆ ｃ ｏ ｍｍｏ ｎ ｌ ｙ ｕ ｓ ｅ ｄ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ（ ｉ ｆ ｔ ｎ ｅ ｓ ｓ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：ｆ ｉ ｔ ｎ ｅ ｓ ｓ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ｃ ａ ｌ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｅ ｃ ｔ ｉ ｏ ｎ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ；