MétaCan
Menu
Retour à la cohorte
Enregistrement W4244439700 · doi:10.32920/ryerson.14647050.v1

Modeling Hybrid Metaheuristic Optimization Algorithm for Convergence Prediction

2021· preprint· en· W4244439700 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

Revuenon disponible
Typepreprint
Langueen
DomaineComputer Science
ThématiqueMetaheuristic Optimization Algorithms Research
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésMeta-optimizationMetaheuristicImperialist competitive algorithmMulti-swarm optimizationDerivative-free optimizationAlgorithmHybrid algorithm (constraint satisfaction)Mathematical optimizationComputer scienceOptimization problemParticle swarm optimizationTest functions for optimizationContinuous optimizationBenchmark (surveying)Bees algorithmConvergence (economics)Cuckoo searchParallel metaheuristicAnt colony optimization algorithmsMathematicsArtificial intelligenceConstraint satisfactionProbabilistic logic

Résumé

récupéré en direct d'OpenAlex

The project aims at the design and development of six hybrid nature inspired algorithms based on Grey Wolf Optimization algorithm with Artificial Bee Colony Optimization algorithm (GWOABC), Moth Flame Optimization Algorithm with Ant Lion Optimization algorithm (MFOALO), Cuckoo Search Optimization algorithm with Fire Fly Optimization Algorithm(CSFFA), Multi-Verse Optimization algorithm with Particle Swarm Optimization Algorithm (MVOPSO), Grey Wolf Optimization algorithm with Whale Optimization Algorithm (GWOWOA), and Binary Bat Optimization Algorithm with Particle Swarm Optimization Algorithm(BATPSO). Hybrid optimizations assume the implementation of two or more algorithms for the same optimization problem. "Hybrid algorithm" does not refer to simply combining multiple algorithms to solve a different problem but rather many algorithms can be considered as combinations of simpler pieces. The hybrid approach combines algorithms that solve the same problem but differs in other characteristics notably performance. A hybrid optimization uses a heuristic to choose the best of these algorithms to apply in a given situation. The proposed hybrid algorithms are benchmarked using a set of 23 classical benchmark functions employed to test different characteristics of hybrid optimization algorithms. The results of the fitness functions prove that the proposed hybrid algorithms are able to produce better or more competitive output with respect to improved exploration, local optima avoidance, exploitation, and convergence. All these hybrid algorithms find superior optimal designs for quintessential engineering problems engaged, showcasing that these algorithms are capable of solving constrained complex problems with diverse search spaces. Optimization results demonstrate that all hybrid algorithms are very competitive compared to the state-of-the-art optimization methods and validated by fitness function. The hybrid algorithms are applied for optimal efficiency determination in various design challenges based on cantilever beam problem.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante
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: Méthodes
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0020,002
Intégrité de la recherche0,0000,001
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 Opus0,044
Tête enseignante GPT0,297
Écart entre enseignants0,253 · 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