A New Particle Swarm Optimization and Differential Evolution Technique for Constrained Optimization Problems
Notice bibliographique
Résumé
Real-world problems are often complex and may need to deal with constrained optimization problems (COPs). This has led to a growing interest in optimization techniques that involve more than one objective function to be simultaneously optimized. Accordingly, at the end of the multi-objective optimization process, there will be more than one solution to be considered. This enables a trade-off of high-quality solutions and provides options to the decision-maker to choose a solution based on qualitative preferences. Particle Swarm Optimization (PSO) algorithms are increasingly being used to solve NP-hard and constrained optimization problems that involve multi-objective mathematical representations by finding accurate and robust solutions. PSOs are currently used in many real-world applications, including (but not limited to) medical diagnosis, image processing, speech recognition, chemical reactor, weather forecasting, system identification, reactive power control, stock exchange market, and economic power generation. In this paper, a new version of Multi-objective PSO and Differential Evolution (MOPSO-DE) is proposed to solve constrained optimization problems (COPs). As presented in this paper, the proposed MOPSO-DE scheme incorporates a new leader(s) updating mechanism that is invoked when the system is under the risk of converging to premature solutions, parallel islands mechanism, adaptive mutation, and then integrated to the DE in order to update the particles’ best position in the search-space. A series of experiments are conducted using 12 well-known benchmark test problems collected from the 2006 IEEE Congress on Evolutionary Computation (CEC2006) to verify the feasibility, performance, and effectiveness of the proposed MOPSO-DE algorithm. The simulation results show the proposed MOPSO-DE is highly competitive and is able to obtain the optimal solutions for the all test 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».