Improving the search pattern of Rooted Tree Optimisation algorithm to solve complex problems
Notice bibliographique
Résumé
Rooted Tree Optimisation (RTO) is a metaheuristic method for solving complex problems. Roots in RTO move to new search space without evaluating such move for better fitness values. Best root in RTO which acts similar to the global best in Particle Swarm Optimisation, is used to influence the movement of the rest of the roots to a promising region. This influence may lead the algorithm to premature convergence. The Lateral Growth Rooted Tree Optimisation (LGRTO) that is proposed in this work eliminates the influence of the best root to direct the search pattern of other roots. This is achieved by introducing hydrotropism and lateral growth equations. In both equations, the influence of the best root is eliminated, and every exploitation or exploration is evaluated before the roots move to new points in the search space. Three types of experiments were done. Two of these experiments are benchmark functions for continuous optimisation problems. The third type is a fourth order Butterworth filter design problem. The result of the nonparametric test of experiments on continuous optimisation problem indicated that LGRTO obtained better performance over Rooted Tree Optimisation and Real Coded Genetic Algorithm. The performance of LGRTO is competitive with the result of Teaching and Learning Based Optimisation (TLBO) and LSHADE with Semi-Parameter Adaptation Hybrid with CMA-ES (LSHADE-SPACMA) methods. For the result of Butterworth design problem, LGRTO obtained a design error that is lower than the value obtained by RTO, Particle Swarm Optimisation (PSO), Differential Evolution (DE), Tabu Search (TS), and Artificial Bee Colony (ABC) methods.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 | 0,001 |
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 ».