Tackling Deceptive Optimization Problems Using Opposition-based DE with Center-based Latin Hypercube Initialization
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».