Fusion-based hybrid many-objective optimization algorithm
Notice bibliographique
Résumé
In the last three decades there have been a number of efficient multi-objective optimization algorithms capable of solving real-world problems. However, due to the complexity of most real-world problems (high-dimensionality of problems, computationally expensive, and unknown function properties) researchers and decision-makers are increasingly facing the challenge of selecting an optimization algorithm capable of solving their hard problems. In this paper, we propose a simple yet efficient hybridization of multi- and many-objective optimization algorithms framework called hybrid many-objective optimization algorithm using fusion of solutions obtained by several many-objective algorithms (fusion) to gain the combined benefits of several algorithms and reducing the challenge of choosing one optimization algorithm to solve complex problems. During the optimization process, the Fusion framework (1) executes all optimization algorithms in parallel, (2) it combines solutions of these algorithms and extracts well-distributed solutions using predefined structured reference points or user-defined reference points, and (3) adaptively selects best-performing algorithm to tackle the problem at different stages of the search process. A case study of the fusion framework by considering GDE3, SMPSO, and SPEA2 as multi-objective optimization algorithms is presented. Experimental results on five unconstrained and four constrained benchmark test problems with three to ten objectives show that the Fusion framework significantly outperforms all algorithms involved in the hybridization process as well as the NSGA-III algorithm in terms of diversity and convergence of obtained solutions. Furthermore, the proposed framework is consistently able to find accurate solutions for all test problems which can be interpreted as its high robustness characteristic.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».