Automated Model Tuning Using A Genetic Algorithm
Notice bibliographique
Résumé
A simple but reliable model tuning method was developed in order to tune a flight model for a high-fidelity type-specific small aircraft simulator.A genetic algorithm (GA) was used as a parameter estimation method.GAs are robust parallel heuristic search methods that often use least squares curve fitting methods to solve complex problems.They belong to the class of evolutionary computing algorithms that mimic natural processes, in this case evolution, to predict behaviour and solve optimization problems.A population of possible solution sets is selected at random and the known math model is then used to determine the behaviour of each of these possible solutions.The behaviour of each is then compared to the desired behaviour of the model, i.e., the reference data set, and the error is calculated.Those with the highest error are culled from the population while those with the lowest error are deemed to be "parents".These parent solution sets are then paired together, to create "children" by finding a weighted average of the parents.To ensure the solution space is fully explored, "mutations" are also created by replacing a single part of select solution sets with a randomly-generated value.Two mutation mechanisms were used in the algorithm described in this paper to ensure that the solution space was explored fully while avoiding convergence on a local, rather than global, minimum.The second generation solution set is 50% comprised of parents, 25% comprised of children, and 25% comprised of mutations.The process repeats until the convergence criteria is met.This algorithm was successfully tested with multiple dynamic systems, including simulated flight test data created using X-Plane, a flight simulator software.The algorithm proved to be a capable and adaptive parameter estimation method applicable to a wide variety of dynamic models, including flight models.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».