Robust Multi‐Objective Genetic Algorithm (RMOGA) with Online Approximation under Interval Uncertainty
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The optimization of chemical processes is usually multi-objective, constrained and has uncertainty in the process inputs, variables and/or parameters. This uncertainty can produce undesirable variations in the process outputs, i.e., in the objective and/or constraint functions. The traditional multi-objective genetic algorithm (MOGA) assumes that all inputs are deterministic. However, optimal solutions obtained from MOGA can be sensitive to input uncertainty and, consequently, the solutions may be degraded. The goal in robust MOGA (RMOGA) is to obtain optimal solutions that are also relatively insensitive to uncertainty. In this chapter, two approaches to RMOGA, nested and sequential, are presented. In both approaches, a measure of robustness is considered using the worst-case analysis, which assumes that the uncertainty in inputs is expressed by an interval with known lower and upper bounds. The main difference between the nested and sequential RMOGA is that, in the nested approach, an upper level problem identifies and improves candidate points, while a lower-level subproblem evaluates robustness of the candidate points; on the other hand, in the sequential approach, a multi-objective optimization problem is first solved to obtain optimal solutions, and then the robustness of each optimal solution is evaluated. Both nested and sequential RMOGA approaches can be computationally costly. To reduce the computational cost, an online approximation assisted method is used in both approaches. The purpose of the approximation is to replace a computationally intensive simulation for objective and/or constraint functions with a computationally inexpensive surrogate model; the accuracy of the approximation is adaptively improved as the solutions are reached. Two examples, one numerical and the other based on petroleum refinery, are used to demonstrate and compare the applicability of the two RMOGA approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle