Meta-heurísticas GRASP e BRKGA aplicadas ao problema da diversidade máxima
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
In this work we study the Maximum Diversity Problem (MDP), which consists of selecting among a set of elements, a subset as diverse as possible. The problem is classified as NP-hard. We present the quadratic and mixed integer linear formulations, applications and numerical example. We solve small problems exactly and we note that for larger problems it is necessary to use heuristics or metaheuristics on its resolution. Therefore, we chose Greedy Randomized Adaptive Search Procedure (GRASP) and Biased Random-Key Genetic Algorithm (BRKGA) metaheuristics to be applied to the MDP. In GRASP, we adopted a solution construction by selecting the element according to its corresponding contribution to the objective function value. After the construction of each solution, we apply a local search and then we activate the path relinking technique. In the local search procedure, we used a exhaustive search, making the best exchange between an element which belongs to solution and another element that does not belong. Once the solutions were generated, we apply path relinking in the expectation that between each pair of solutions, there is a solution with better objective function value. In BRKGA, we implemented a fitness function and a solution decoder adapted to the Maximum Diversity Problem. The fitness function adopted is the sum of diversities between selected elements e the decoding of solutions is based on sorting random-keys. The objective of this work is to analyze and compare the results obtained by GRASP and BRKGA metaheuristics, having as reference the best results in the literature. The problems analyzed in the computational tests were extracted from the MDPLIB library. We observed that the two metaheuristics showed good results on MDP's resolution, moreover for small and medium sized problems BRKGA obtained better performance than GRASP, while for large problems, GRASP outperforms BRKGA.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,009 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,005 |
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