Enhancing discrete differential evolution by conducting election
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
Differential Evolution (DE) is a population-based algorithm which has been successfully used to solve optimization problems. DE algorithm begins with an initial population with some randomly generated candidate solutions. During evolutionary process, the population of candidate solutions is evolved toward the promising region by using the specific operations. The population in the DE algorithm can resemble an especial perspective of a small society which has individuals to seek a common goal. In a society, the election system is commonly used as an effective approach; which is employed to determine one or several representatives who are responsible to make major decisions. Some machine learning algorithms are inspired from the society election system to develop an enhanced algorithm from a pool of potential algorithms with the complementary performances. This study is motivated from the election systems of societies which can be applied on population-based algorithms, here DE algorithm as a case study. We propose an election-based discrete DE algorithm which uses the information of all candidate solutions to create a new trial solution as a president candidate solution. During optimization phases, after applying the evolutionary operators, all candidate solutions vote to select the values of president's variables. In the proposed method, a majority voting method is applied to choose a value for each variable of the president candidate solution. We employ the discrete DE (DDE) algorithm as the parent algorithm to develop election-based discrete DE (EDDE) which is evaluated on the fifteen discrete benchmark functions. Simulation results confirm that EDDE obtains a promising performance on the majority of these functions.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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