Mixed Best Members Based Optimizer for Solving Various Optimization Problems
Notice bibliographique
Résumé
Numerous designed optimization problems in different disciplines of science should be solved using appropriate techniques.population based optimization algorithms are one of the powerful tools in solving optimization problems.The innovation of this paper is to present a new optimization algorithm called Mixed Best Members Based Optimizer (MBMBO) that can be used to solve various optimization problems.The main idea in designing the proposed MBMBO algorithm is to create a mixed member of several top members of the population in order to guide and update the algorithm population.The main feature and advantage of the MBMBO is the lack of control parameters.Therefore, the proposed MBMBO does not need to adjust the parameter.The various steps of the MBMBO are described and then mathematically modeled for implementation in solving optimization problems.The performance of the MBMBO in solving optimization problems is evaluated on a set of twenty-three standard objective functions.These objective functions are of three different types, including seven unimodal objective functions, six high dimensional multi-model objective functions, and ten fixed dimensional multi-model objective functions.The results of evaluation of single-model objective functions indicate the high exploitation power and also the results of evaluation of multi-model objective functions indicate the high exploration power of the proposed MBMBO algorithm.Also, the results obtained from the simulation of the MBMBO are compared with the results of eight other well-known optimization algorithms including Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Gravitational Search Algorithm (GSA), Teaching Learning-Based Optimization (TLBO), Gray Wolf Optimizer (GWO), Emperor Penguin Optimizer (EPO), Hide Objects Game Optimization (HOGO), and Shell Game Optimization (SGO).The results of optimizing the objective functions of unimodal and multi-modal types using MBMBO show the acceptable ability of the proposed algorithm to provide suitable solutions.Comparison of the simulation results shows that the proposed MBMBO is much more competitive than the other eight 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.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».