Tackling Deceptive Optimization Problems Using Opposition-based DE with Center-based Latin Hypercube Initialization
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
Deceptiveness is among hard to tackle characteristics of the optimization problems. So far, a few papers are published in this area, while there are many real-world deceptive optimization problems. In a deceptive problem, the landscape does not provide useful information in order to progress toward the global optimum. In another word, it tends towards the deceptive attractors. As a result, finding the global optimum is a challenging task in this family of optimization problems. The goal of this paper is to propose a population-based algorithm for solving these problems. opposition-based learning (OBL) is a well-established approach to enhance meta-heuristic algorithms. Based on OBL concept, the opposite of a candidate solution is generated. Then, based on the objective values of the candidate solution and its opposite, the OBL selects the best. In another word, the proposed algorithm generates opposite of good and bad candidates in the population to break out the deceptiveness of objective function. opposition-based DE is using OBL during population initialization and also during its iterations. The ODE version proposed in this paper is different from the original ODE algorithm; in fact the scheme to generate the opposite candidate is redefined differently. Another approach used in this paper is Latin Hypercube Sampling (LHS). LHS is a statistical method to generate random samples using a multidimensional distribution. This paper combines a modified LHS and OBL with differential evolution algorithm to tackle deceptiveness in the landscape. In order to evaluate the efficiency of the proposed algorithm, some shifted benchmark functions with various characteristics are utilized. The results verify the performance superiority of the proposed algorithm.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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