Quantum Multi-guide Particle Swarm Optimisation for Dynamic Multi-objective Optimisation 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
Abstract The multi-guide particle swarm optimisation (MGPSO) algorithm, originally developed for static multi-objective optimisation problems (SMOPs), has been recently adapted for dynamic multi-objective optimisation problems (DMOPs). The MGPSO is a multi-swarm approach where each subswarm optimises one of the objectives. It uses a bounded, crowding distance archive implementation that is managed at each environment change. This paper further adapts the MGPSO for DMOPs by proposing alternative quantum particle swarm optimisation (QPSO) strategies to allow efficient tracking of the changing Pareto-optimal set (POS) and Pareto-optimal front (POF). Specifically, the self-adaptive QPSO and the parent-centric crossover (PCX) QPSO are explored with varying quantum proportions of particles. A total of twenty-nine benchmark functions and six performance measures were implemented to evaluate the performance of the QPSO approaches. The experiments were run against five environment types with varying temporal and spatial severities. The best QPSO strategy was then compared with other state-of-the-art dynamic multi-objective optimisation algorithms (DMOAs). An extensive empirical analysis shows that MGPSO with 10% proportion of self-adaptive quantum particles achieves very competitive and oftentimes better results when compared with other DMOAs.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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