Three-Step Parameters Tuning Model for Time-Constrained Genetic Algorithms
Notice bibliographique
Résumé
In this paper a three-step parameters tuning model for time-constrained Genetic Algorithms (GAs) was presented. The first step involved modeling the objective function using multiple regression model where the fitness value was the response variable and the GA parameters were the regressors. The second step involved constraint modeling using the objective function found in the first step and using the upper and lower limits of the GA parameters along with an upper limit on the execution time as constraints. The third step involved optimizing the constraint model found in the second step using a suitable deterministic optimization method to determine the optimal GA parameters taking into consideration four aspects that affect the GA performance. These aspects were: the problem under consideration, the GA parameters used, the execution time, and the power of the computer used.The validation of this model was demonstrated using two capacitated lot sizing problems. The model was able to predict the fitness values and the optimal parameters of the GA for these problems to a high degree of precision. Moreover, the results showed that tuning the GA parameters using multiple regression along with a suitable deterministic optimization method was an effective and robust method that enhanced the performance of the GA. The statistical analysis showed that in order to do a proper tuning for a certain GA, the designer of the GA must take into consideration not only the type of problem but also the size of the problem, the allowable execution time, and the hardware used in executing the GA. Furthermore, the results agreed with the "No Free Lunch" theorem.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».