A chaotic-based improved many-objective Jaya algorithm for many-objective optimization problems
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
The Jaya algorithm is a recently developed novel population-based algorithm. The proposed work presents the modifications in the existing many-objective Jaya (MaOJaya) algorithm by integrating the chaotic sequence to improve the performance to optimize many-objective benchmark optimization problems. The MaOJaya algorithm has exploitation more dominating, due to which it traps in local optima. The proposed work aims to reduce these limitations by modifying the solution update equation of the MaOJaya algorithm. The purpose of the modification is to balance the exploration and exploitation, improve the divergence and avoid premature convergence. The well-known chaotic sequence - a logistic map integrated into the solution update equation. This modification keeps the MaOJaya algorithm simple as well as, preserves its parameterless feature. The other component of the existing MaOJaya algorithm, such as non-dominated sorting, reference vector and tournament selection scheme of NSGA-II is preserved. The decomposition approach used in the proposed approach simplifies the complex many-objective optimization problems. The performance of the proposed chaotic based many-objective Jaya (C-MaOJaya) algorithm is tested on DTLZ benchmark functions for three to ten objectives. The IGD and Hypervolume performance metrics evaluate the performance of the proposed C-MaOJaya algorithm. The statistical tests are used to compare the performance of the proposed C-MaOJaya algorithm with the MaOJaya algorithm and other algorithms from the literature. The C-MaOJaya algorithm improved the balance between exploration and exploitation and avoids premature convergence significantly. The comparison shows that the proposed C-MaOJaya algorithm is a promising approach to solve many-objective optimization 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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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