Use of Energy-Based Domain Knowledge as Feedback to Evolutionary Algorithms for the Optimization of Water Distribution Networks
Notice bibliographique
Résumé
The optimization of water distribution networks (WDN) has evolved, requiring approaches that seek to reduce capital costs and maximize the reliability of the system simultaneously. Hence, several evolutionary algorithms, such as the non-dominated sorting-based multi-objective evolutionary algorithm (NSGA-II), have been widely used despite the high computational costs required to achieve an acceptable solution. Alternatively, energy-based methods have been used to reach near-optimal solutions with reduced computational requirements. This paper presents a method to combine the domain knowledge given by energy-based methods with an evolutionary algorithm, in a way that improves the convergence rate and reduces the overall computational requirements to find near-optimal Pareto fronts (PFs). This method is divided into three steps: parameters calibration, preprocessing of the optimal power use surface (OPUS) results, and periodic feedback using OPUS in NSGA II. The method was tested in four benchmark networks with different characteristics, seeking to minimize the costs of the WDN and maximizing its reliability. Then the results were compared with a generic implementation of NSGA-II, and the performance and quality of the solutions were evaluated using two metrics: hypervolume (HV) and modified inverted generational distance (IGD+). The results showed that the feedback procedure increases the efficiency of the algorithm, particularly the first time the algorithm is retrofitted.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».