A High-Dimensional Model Representation Guided PSO Methodology With Application on Compressor Airfoil Shape Optimization
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
Although metaheuristic techniques have recently become popular in optimization, still they are not suitable for computationally expensive real-world problems, specifically when the problems have many input variables. Among these techniques, particle swarm optimization (PSO) is one of the most well-known population-based nature-inspired algorithms which can intelligently search huge spaces of possible arrangements of design variables to solve various complex problems. The candidate solutions and accordingly the required number of evaluated particles, however, dramatically increase with the number of design variables or the dimension of the problem. This study is a major modification to an original PSO for using all previously evaluated points aiming to increase the computational efficiency. For this purpose, a metamodeling methodology appropriate for so-called high-dimensional, expensive, black-box (HEB) problems is used to efficiently generate an approximate function from all particles calculated during the optimization process. Following the metamodel construction, a term named metamodeling acceleration is added to the velocity update formula in the original PSO algorithm using the minimum of the metamodel. The proposed strategy is called the metamodel guided particle swarm optimization (MGPSO) algorithm. The superior performance of the approach is compared with original PSO using several benchmark problems with different numbers of variables. The developed algorithm is then used to optimize the aerodynamic design of a gas turbine compressor blade airfoil as a challenging HEB problem. The simulation results illustrated the MGPSO’s capability to achieve more accurate results with a considerably smaller number of function evaluations.
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 | 0,001 |
| 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