Mechatronic Design Evolution Using Bond Graphs and Hybrid Genetic Algorithm With Genetic Programming
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
A typical mechatronic problem (modeling, identification, and design) entails finding the best system topology as well as the associated parameter values. The solution requires concurrent and integrated methodologies and tools based on the latest theories. The experience on natural evolution of an engineering system indicates that the system topology evolves at a much slower rate than the parametric values. This paper proposes a two-loop evolutionary tool, using a hybrid of genetic algorithm (GA) and genetic programming (GP) for design optimization of a mechatronic system. Specifically, GP is used for topology optimization, while GA is responsible for finding the elite solution within each topology proposed by GP. A memory feature is incorporated with the GP process to avoid the generation of repeated topologies, a common drawback of GP topology exploration. The synergic integration of GA with GP, along with the memory feature, provides a powerful search ability, which has been integrated with bond graphs (BG) for mechatronic model exploration. The software developed using this approach provides a unified tool for concurrent, integrated, and autonomous topological realization of a mechatronic problem. It finds the best solution (topology and parameters) starting from an abstract statement of the problem. It is able to carry out the process of system configuration realization, which is normally performed by human experts. The performance of the software tool is validated by applying it to mechatronic design problems.
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 | 0,001 |
| 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) | 0,000 | 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