Pareto-based many-objective optimization using knee points
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
Many real-world optimization problems contain multiple (often conflicting) goals to be optimized simultaneously, commonly referred to as multi-objective problems (MOPs). Currently, there exists a plethora of Pareto optimizers designed to solve MOPs. Previous literature has demonstrated that the performance of these optimizers degrade for problems which possess more than three objectives, known as many-objective problems (MaOPs). The downfall of the traditional Pareto approach is that the dominance-based selection strategy loses effectiveness in distinguishing desirable solutions as the number of objectives grows larger, inhibiting convergence to the true Pareto front. One potential solution to this problem is to utilize the concept of knee points as a secondary metric for optimization. Two new knee-driven algorithms are proposed within this work, namely the knee point driven particle swarm optimization (KnPSO) and knee point driven differential evolution (KnDE) algorithm. Due to the nature of the knee point identification mechanism used, both of these algorithms have the benefit of naturally producing a diverse set of solutions without having to incorporate additional criterion. The existing knee-driven evolutionary algorithm (KnEA) along with the proposed approaches are compared against several non-knee variants. Experimental results on nine challenging MaOPs demonstrate that knee points are a viable option for improving the performance of Pareto-based approaches. The knee point driven algorithms are shown to produce significantly higher inverted generational distance and hypervolume metric values in comparison to their non-knee counterparts.
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