Diploidy in evolutionary algorithms for dynamic optimization problems
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
Purpose – In this work, the authors show the performance of the proposed diploid scheme (a representation where each individual contains two genotypes) with respect to two dynamic optimization problems, while addressing drawbacks the authors have identified in previous works which compare diploid evolutionary algorithms (EAs) to standard EAs. The paper aims to discuss this issue. Design/methodology/approach – In the proposed diploid representation of EA, each individual possesses two copies of the genotype. In order to convert this pair of genotypes to a single phenotype, each genotype is individually evaluated in relation to the fitness function and the best genotype is presented as the phenotype. In order to provide a fair and objective comparison, the authors make sure to compare populations which contain the same amount of genetic information, where the only difference is the arrangement and interpretation of the information. The two representations are compared using two shifting fitness functions which change at regular intervals to displace the global optimum to a new position. Findings – For small fitness landscapes the haploid (standard) and diploid algorithms perform comparably and are able to find the global optimum very quickly. However, as the search space increases, rediscovering the global optimum becomes more difficult and the diploid algorithm outperforms the haploid algorithm with respect to how fast it relocates the new optimum. Since both algorithms use the same amount of genetic information, it is only fair to conclude it is the unique arrangement of the diploid algorithm that allows it to explore the search space better. Originality/value – The diploid representation presented here is novel in that instead of adopting a dominance scheme for each allele (value) in the vector of values that is the genotype, dominance is adopted across the entire genotype in relation to its homologue. As a result, this representation can be extended across any alphabet, for any optimization function.
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 | 0,001 | 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 | 0,001 | 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