A self-feedback strategy differential evolution with fitness landscape analysis
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) has been widely applied to complex global optimization problems. Different search strategies have been designed to find the optimum conditions in a fitness landscape. However, none of these strategies works well over all possible fitness landscapes. Since the fitness landscape associated with a complex global optimization problem usually consists of various local landscapes, each search strategy is efficient in a particular type of fitness landscape. A reasonable approach is to combine several search strategies and integrate their advantages to solve global optimization problems. This paper presents a new self-feedback strategy differential evolution (SFSDE) algorithm based on fitness landscape analysis of single-objective optimization problem. In the SFSDE algorithm, in the analysis of the fitness landscape features of fitness-distance correlation, a self-feedback operation is used to iteratively select and evaluate the mutation operators of the new SFSDE algorithm. Moreover, mixed strategies and self-feedback transfer are combined to design a more efficient DE algorithm and enhance the search range, convergence rate and solution accuracy. Finally, the proposed SFSDE algorithm is implemented to optimize soil water textures, and the experimental results show that the proposed SFSDE algorithm reduces the difficulty in estimating parameters, simplifies the solution process and provides a novel approach to calculate the parameters of the Van Genuchten equation. In addition, the proposed algorithm exhibits high accuracy and rapid convergence and can be widely used in the parameter estimation of such nonlinear optimization models.
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 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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