Mode-Pursuing Sampling Method Using Discriminative Coordinate Perturbation for High-Dimensional Expensive Black-Box Optimization
Notice bibliographique
Résumé
Abstract This article presents a novel mode-pursuing sampling method using discriminative coordinate perturbation (MPS-DCP) to further improve the convergence performance of solving high-dimensional, expensive, and black-box (HEB) problems. In MPS-DCP, a discriminative coordinate perturbation strategy is integrated into the original mode-pursuing sampling (MPS) framework for sequential sampling. During optimization, the importance of variables is defined by approximated global sensitivities, while the perturbation probabilities of variables are dynamically adjusted according to the number of optimization stalling iterations. Expensive points considering both optimality and space-filling property are selected from cheap points generated by perturbing the current best point, which balances between global exploration and local exploitation. The convergence property of MPS-DCP is theoretically analyzed. The performance of MPS-DCP is tested on several numerical benchmarks and compared with state-of-the-art metamodel-based design optimization methods for HEB problems. The results indicate that MPS-DCP generally outperforms the competitive methods regarding convergence and robustness performances. Finally, the proposed MPS-DCP is applied to a stepped cantilever beam design optimization problem and an all-electric satellite multidisciplinary design optimization (MDO) problem. The results demonstrate that MPS-DCP can find better feasible optima with the same or less computational cost than the competitive methods, which demonstrates its effectiveness and practicality in solving real-world engineering problems.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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 ».