MétaCan
Menu
Retour à la cohorte
Enregistrement W2793353622 · doi:10.5539/jmr.v10n2p122

Route Planning Based on Genetic Algorithm

2018· article· en· W2793353622 sur OpenAlexvenueno aff
Lin Li, Yuhua Zhang

Notice bibliographique

RevueJournal of Mathematics Research · 2018
Typearticle
Langueen
DomaineComputer Science
ThématiqueRobotic Path Planning Algorithms
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCrossoverGenetic algorithmMathematical optimizationPopulationSimulated annealingFuel efficiencySmoothingPoint (geometry)AlgorithmShortest path problemMathematicsPath (computing)Computer scienceEngineeringGraphArtificial intelligenceStatisticsAutomotive engineering

Résumé

récupéré en direct d'OpenAlex

This paper mainly deals with the planning of aviation route and needs to determine the model to find out the shortest path. In this paper, we combine the methods of simulated annealing and genetic algorithm, and obtained the optimal solution method. Firstly, Genetic Algorithm (GA) uses the modified circle algorithm to find some feasible solutions to the approximate initial population, and then transforms them through simulated and crossover operations. This paper also introduces the aircraft fuel consumption model and the cubical smoothing algorithm with five-point approximation to reduce the aircraft fuel consumption and parts loss. The simulation results show that the accuracy of the route planning based on genetic algorithm is higher, while consumes less fuel and takes less sharp turns.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,874
Score d'incertitude au seuil0,430

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0020,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,137
Tête enseignante GPT0,416
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Mathematics ResearchMême sujetRobotic Path Planning AlgorithmsTravaux en français237 207