A hybridization of differential evolution and monarch butterfly optimization for solving systems of nonlinear equations
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
Abstract In this study, we propose a new hybrid algorithm consisting of two meta-heuristic algorithms; Differential Evolution (DE) and the Monarch Butterfly Optimization (MBO). This hybrid is called DEMBO. Both of the meta-heuristic algorithms are typically used to solve nonlinear systems and unconstrained optimization problems. DE is a common metaheuristic algorithm that searches large areas of candidate space. Unfortunately, it often requires more significant numbers of function evaluations to get the optimal solution. As for MBO, it is known for its time-consuming fitness functions, but it traps at the local minima. In order to overcome all of these disadvantages, we combine the DE with MBO and propose DEMBO which can obtain the optimal solutions for the majority of nonlinear systems as well as unconstrained optimization problems. We apply our proposed algorithm, DEMBO, on nine different, unconstrained optimization problems and eight well-known nonlinear systems. Our results, when compared with other existing algorithms in the literature, demonstrate that DEMBO gives the best results for the majority of the nonlinear systems and unconstrained optimization problems. As such, the experimental results demonstrate the efficiency of our hybrid algorithm in comparison to the known algorithms. Highlights This paper proposes a new hybridization of differential evolution and monarch butterfly optimization. Solve system of nonlinear equations and unconstrained optimization problem. The efficiency and effectiveness of our algorithm are provided. Experimental results prove the superiority of our algorithm over the state-of-the-arts.
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 | 0,001 | 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