MétaCan
Menu
Retour à la cohorte
Enregistrement W3108622340 · doi:10.1016/j.dib.2020.106568

Data for a meta-analysis of the adaptive layer in adaptive large neighborhood search

2020· article· en· W3108622340 sur OpenAlexaff
Renata Turkeš, Kenneth Sörensen, Lars Magnus Hvattum, Eva Barrena, Hayet Chentli, Leandro C. Coelho, Iman Dayarian, Axel Grimault, Anders N. Gullhav, Çağatay Iris, Merve Keskin, Alexander Kiefer, Richard Martin Lusby, Geraldo Regis Mauri, Marcela Monroy‐Licht, Sophie N. Parragh, Juan‐Pablo Riquelme‐Rodríguez, Alberto Santini, Vínicius Gandra Martins Santos, C. B. Thomas

Notice bibliographique

RevueData in Brief · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicle Routing Optimization Methods
Établissements canadiensMcMaster UniversityUniversité Laval
Organismes subventionnairesUniversiteit Antwerpen
Mots-clésComputer scienceMetaheuristicMeta-analysisSet (abstract data type)ReplicateImplementationDomain (mathematical analysis)Variety (cybernetics)Range (aeronautics)Data miningMachine learningArtificial intelligenceStatisticsMathematicsSoftware engineering

Résumé

récupéré en direct d'OpenAlex

Meta-analysis, a systematic statistical examination that combines the results of several independent studies, has the potential of obtaining problem- and implementation-independent knowledge and understanding of metaheuristic algorithms, but has not yet been applied in the domain of operations research. To illustrate the procedure, we carried out a meta-analysis of the adaptive layer in adaptive large neighborhood search (ALNS). Although ALNS has been widely used to solve a broad range of problems, it has not yet been established whether or not adaptiveness actually contributes to the performance of an ALNS algorithm. A total of 134 studies were identified through Google Scholar or personal e-mail correspondence with researchers in the domain, 63 of which fit a set of predefined eligibility criteria. The results for 25 different implementations of ALNS solving a variety of problems were collected and analyzed using a random effects model. This dataset contains a detailed comparison of ALNS with the non-adaptive variant per study and per instance, together with the meta-analysis summary results. The data enable to replicate the analysis, to evaluate the algorithms using other metrics, to revisit the importance of ALNS adaptive layer if results from more studies become available, or to simply consult the ready-to-use formulas in the summary file to carry out a meta-analysis of any research question. The individual studies, the meta-analysis and its results are described and interpreted in detail in Renata Turkeš, Kenneth Sörensen, Lars Magnus Hvattum, Meta-analysis of Metaheuristics: Quantifying the Effect of Adaptiveness in Adaptive Large Neighborhood Search, in the European Journal of Operational Research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,028
score de la tête « metaresearch » (Gemma)0,180
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,058
Score d'incertitude au seuil0,195

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0280,180
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,011
Bibliométrie0,0140,014
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0030,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0580,006

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.

Tête enseignante Opus0,310
Tête enseignante GPT0,371
Écart entre enseignants0,061 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueData in BriefMême sujetVehicle Routing Optimization MethodsTravaux en français237 207