Micro-Differential Evolution: Diversity Enhancement and Comparative Study
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
Evolutionary algorithms (EAs), such as the differential evolution (DE) algorithm, suffer\nfrom high computational time due to large population size and nature of evaluation, to\nmention two major reasons. The micro-EAs employ a very small population size, which\ncan converge to a reasonable solution quicker; while they are vulnerable to premature\nconvergence as well as high risk of stagnation. One approach to overcome the stagnation\nproblem is increasing the diversity of the population. In this thesis, a micro-differential\nevolution algorithm with vectorized random mutation factor (MDEVM) is proposed, which\nutilizes the small size population benefit while preventing stagnation through diversification\nof the population. The following contributions are conducted related to the micro-DE\n(MDE) algorithms in this thesis: providing Monte-Carlo-based simulations for the proposed\nvectorized random mutation factor (VRMF) method; proposing mutation schemes\nfor DE algorithm with populations sizes less than four; comprehensive comparative simulations\nand analysis on performance of the MDE algorithms over variant mutation schemes,\npopulation sizes, problem types (i.e. uni-modal, multi-modal, and composite), problem\ndimensionalities, mutation factor ranges, and population diversity analysis in stagnation\nand trapping in local optimum schemes. The comparative studies are conducted on the\n28 benchmark functions provided at the IEEE congress on evolutionary computation 2013\n(CEC-2013) and comprehensive analyses are provided. Experimental results demonstrate\nhigh performance and convergence speed of the proposed MDEVM algorithm over variant\ntypes of 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,018 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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