Football Game Based Optimization: an Application to Solve Energy Commitment Problem
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
Heuristic optimization algorithms are widely used to solve problems in different fields of science. In this paper, a new game based optimization method called football game based optimization (FGBO) is presented which simulates the game of football. The population of FGBO are clubs and the variables of the problem are the players belonging to the clubs. FGBO has four phases: a) league holding, b) player transfer, c) practice, and d) promotion and relegation. The power of FGBO in solving optimization problems has been investigated on several benchmark test functions. The result of FGBO and other algorithm are obtained from implantation of these algorithms on unimodal, multimodal, and fixed-dimension multimodal benchmark test functions. Eight optimization algorithms called Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Teaching Learning Based Optimization (TLBO), Grey Wolf Optimizer (GWO), Grasshopper Optimization Algorithm (GOA), Emperor Penguin Optimizer (EPO), Shell Game Optimization (SGO), and Hide Objects Game Optimization (HOGO) have been used to compare these results. The proposed FGBO algorithm is also used to solve the energy commitment (EC) problem. Based on the simulation studies and obtained results, FGBO has a higher efficiency than a number of other algorithms. The results and data obtained from applying FGBO and other mentioned algorithms on unimodal test functions, multimodal test functions, and energy commitment problem show that FGBO is able to provide better results in comparison with other well-known optimization algorithms.
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 | 0,001 | 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