MLBO: Mixed Leader Based Optimizer for Solving 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
There are numerous optimization problems in various sciences that need to be solved using the appropriate technique. One of the most widely used techniques for solving optimization problems are population-based optimization algorithms. The innovation and contribution of this paper is to design a new optimizer called Mixed Leader Based Optimizer (MLBO) to solve optimization problems. The main idea in the proposed MLBO is to create a new member as a leader by mixing the best population member and a random member to guide the algorithm population. The main advantage and feature of the proposed MLBO is that it has no control parameters and therefore no need to adjust the parameter. The proposed MLBO algorithm is mathematically formulated to implement in solving various optimization problems. The capability of the proposed optimizer in optimizing and providing appropriate solutions has been tested on a set of twenty-three standard objective functions. These objective functions are selected from three different types including unimodal, high-dimensional multimodal, and fixed-dimensional multimodal in order to analyze different aspects of optimization algorithms. Also, in order to analyze the obtained optimization results, the performance of the MLBO is compared with eight other well-known algorithms including Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Teaching Learning-Based Optimization (TLBO), Gravitational Search Algorithm (GSA), Gray Wolf Optimizer (GWO), Emperor Penguin Optimizer (EPO), Shell Game Optimization (SGO), and Hide Objects Game Optimization (HOGO). The obtained optimization results from the MLBO show the proper performance of the proposed algorithm in solving various optimization problems. On the other hand, comparing the performance of the MLBO with the other eight optimization algorithms indicates the superiority of the proposed optimizer over the compared 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.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 découle