Evolução diferencial com mutação ordenada em problemas de otimização monobjetivo com restrições de caixa
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
A Evolução Diferencial (ED) está entre os algoritmos evolucionistas mais eficientes para lidar com problemas de otimização. Sua proposição original utiliza o esquema clássico DE/Rand para selecionar aleatoriamente soluções candidatas da população para o processo de mutação, sem considerar qualquer ordenação entre elas. Recententemente foi proposto o esquema DE/Order para problemas multi-objetivo, uma estratégia de ordenação entre as soluções selecionadas para a mutação. O algoritmo com o esquema DE/Order apresentou melhores resultados em problemas de otimização multi-objetivo quando comparado ao DE/Rand. Esse trabalho avalia a estratégia de mutação DE/Order em problemas de otimização monobjetivo com restrições de caixa. A performance desta estratégia foi comparada com duas outras já consolidadas na literatura, DE/Rand e DE/Best, ao serem aplicadas a problemas monobjetivos benchmark da competição do IEEE Congress on Evolutionary Computation - CEC 2021. Os resultados mostraram que o esquema DE/Best apresenta o pior desempenho, sugerindo convergência prematura para ótimos locais. Além disso, este trabalho mostra através de testes não paramétricos que as estratégias DE/Order e DE/Rand não demonstraram diferenças estatísticas. Concluiu-se que o DE/Order se mostra competitivo neste conjunto de problemas, apresentando-se como uma estratégia que se beneficia dos conceitos das outras duas abordagens, randomização e elitismo, porém sem ser prejudicado pela estagnação em ótimos locais.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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