Enhancing clearing-based niching method using Delaunay Triangulation
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
The interest in multi-modal optimization methods is increasing in the recent years since many of real-world optimization problems have multiple/many optima and decision makers prefer to find all of them. Multiple global/local peaks create difficulties for optimization algorithms. In this context, niching is well-known and widely used technique for finding multiple solutions in multi-modal optimization. One commonly used niching technique in evolutionary algorithms is the Clearing method. However, canonical clearing scheme reduces the exploration capacity of the evolutionary algorithms. In this paper, Delaunay Triangulation based Clearing (DT-Clearing) procedure is proposed to handle multi-modal optimizations more efficiently while preserving simplicity of canonical clearing approach. In DT-Clearing, cleared individuals are reallocated in the biggest empty spaces formed within the search space which are determined through Delaunay Triangulation. The reallocation of cleared individuals discourages wasting of the resources and allows better exploration of the landscape. The algorithm also uses an external memory, an archive of the explored niches, thus preventing the redundant visiting of the individuals, henceforth finding more solutions in lesser number of generations. The method is tested using multi-modal benchmark problems proposed for the IEEE CEC 2013, Special Session on Niching Methods for Multimodal Optimization. Our method obtains promising results in comparison with the canonical clearing and demonstrates to be a competitive niching algorithm.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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