MétaCan
Menu
Retour à la cohorte
Enregistrement W3195734723 · doi:10.22266/ijies2021.1031.12

TIMBO: Three Influential Members Based Optimizer

2021· article· en· W3195734723 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueInternational journal of intelligent engineering and systems · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueMetaheuristic Optimization Algorithms Research
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésParticle swarm optimizationMathematical optimizationComputer sciencePopulationOptimization problemGenetic algorithmMeta-optimizationDerivative-free optimizationAlgorithmMathematics

Résumé

récupéré en direct d'OpenAlex

One of the most important and efficient methods in providing suitable solutions for various optimization problems is population-based optimization algorithms. The main contribution and innovation of this paper is to present a new optimization method called Three Influential Members Based Optimizer (TIMBO) which is used for implementation in solving optimization problems. The main idea in designing the proposed TIMBO is to use three important population members with the titles of best member, worst member, and member as mean population in updating the position of population members of the algorithm in the problem search space. The most important feature and advantage of the TIMBO is that it does not have any control parameters, which means that there is no need to control the parameter in this algorithm. TIMBO has been mathematically modeled for use in solving various optimization problems. The efficiency of the TIMBO is analyzed in order to provide suitable quasi-optimal solutions on a set of twenty-three standard objective functions of different types unimodal, high-dimensional multimodal, and fixed-dimensional. Evaluation of unimodal functions indicates the high exploitation power of the proposed TIMBO and evaluation of multimodal functions indicates the appropriate exploration power of the TIMBO. Also, the results obtained from the TIMBO are compared with the performance of eight other well-known optimization algorithms including Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Gravitational Search Algorithm (GSA), Teaching-Learning-Based Optimization (TLBO), Grey Wolf Optimization (GWO), Grasshopper Optimisation Algorithm (GOA), Hide Object Game Optimizer (HOGO), and Flow Direction Algorithm (FDA). The results of optimization of standard objective functions indicate the high capability of the TIMBO in providing quasi-optimal solutions suitable for various optimization problems. In addition, analyzing and comparing the performance of the other eight optimization algorithms shows that the TIMBO has a more effective ability to solve optimization problems and is much more competitive.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,752
Score d'incertitude au seuil0,442

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,271
Écart entre enseignants0,250 · 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