The Non-Walking Triangle Optimization Representation: Enabling Monte Carlo Tree Search-like Methods for Real Parameter Optimization Problems
Notice bibliographique
Résumé
Real parameter estimation is typically performed by an algorithm that operates directly on vectors of real parameters. This study presents an extension of a representation for real parameter optimization that is discrete and based on the iterated partition of simplices, known as the Walking Triangle Representation (WTR), and pairs it with Monte Carlo Tree Search (MCTS)-like algorithms. The number of moves allowed to the WTR is reduced to only its centering move, where a vertex of the simplex is replaced by its center of mass. This representation converts a real parameter optimization to a discrete form, which can then be paired with MCTS-like algorithms. The tree structure of MCTS allows one to keep track of and exploit information from previous attempts (tree extensions) when choosing the next set of moves to try. Six real parameter optimization problems were used to test the algorithm. Four parameters in the algorithm were studied, including: minimum gene length, maximum gene length, number of tree extensions, and probability of exploration (chance). The algorithm regularly performed consistently well, even with a low number of fitness evaluations (typical number of fitness evaluations is up to 3750 per run). This paper focuses on the ability of the Non-Walking Triangle Representation to convert real parameter optimization problems into discrete representations. This concept is demonstrated through the evaluation of the Non-Walking Triangle Monte Carlo Tree Search (MCNon-Walk) algorithm's ability to find optima in a variety of real parameter optimization problems, using differential evolution as a baseline for comparison.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».