A New Constrained Multiobjective Optimization Algorithm Based on Artificial Immune Systems
Notice bibliographique
Résumé
This paper proposes a new constrained multiobjective optimization algorithm based on artificial immune systems (AIS). To deal with constrained multiobjective optimization problems, the constrained AlS-based multiobjective optimization algorithm is developed by integrating a proposed constraint-handling technique with the unconstrained AIS-based multiobjective optimization algorithm named MOAIS (Xiao and Zu, 2006). We propose the constraint-handling technique by extending a single-objective constraint-handling technique called stochastic ranking (Runarsson and Yao, 2000) to multiobjective optimization process. Two scenarios of the multiobjective version of stochastic ranking are suggested. Thereafter, we develop the constrained MOAIS named MOAIS+SR by integrating the two scenarios with MOAIS. A comparative study is performed quantitatively to assess the performance of MOAIS+SR on a constrained test function suite called CTP test problems. In the comparative study, MOAIS+SR is compared against two other constrained multiobjective algorithms. The simulation results show that the proposed multiobjective stochastic ranking outperforms the constrained-dominance principle (Deb et al., 2000) in handling constraints. Furthermore, we show that the proposed MOAIS+SR achieves the best overall performance among the three algorithms under consideration on the CTP test problems. This study demonstrates that the proposed MOAIS+SR is highly competitive with other state-of-the-art algorithms in constrained multiobjective optimization.
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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».