A Greedy, Generative, Lattice Representation for Point Packing
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
Point packings in the unit square are placements of n points in the unit square that maximize the minimum distance between any two of the points. Such packings are surrogates for the 2D-stock cutting problem. In this study we examine a greedy generative representation for the point packing problem and extend the problem to higher dimensions. This representation uses a greedy algorithm to select points generated as whole-number linear combinations of vectors. This means that sets of vectors are evolved. The lattice generated by the vectors, taken modulo one, yields a set of points that can be greedily filtered to a dense point packing. The focus of evolution is the choice of vector generators for the lattice. A parameter study is performed comparing two mutation operators, different rates of application for mutation, and different population sizes. The generative representation is found to efficiently locate large point packings, while using relatively few real-valued parameters. The number of real parameters used to specify a point packing may be chosen. This novel control value is shown to have a substantial impact on results. A preliminary application of point packings, as population initializers, is demonstrated. Using a point packing as an initial population for an evolutionary optimizer can yield improved performance by providing more even sampling of the optimization domain and, in this study, it is shown that use of a point packing improves performance in a higher dimensional test problem, but not in a lower dimensional one.
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 | 0,000 |
| 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