Discriminating and Clustering Ordered Permutations Using Artificial Neural Networks: A Potential Application in ANN-Guided Genetic Algorithms
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
Traveling salesman, linear ordering, quadratic assignment, and flow shop scheduling are typical examples of permutation-based combinatorial optimization problems with real-life applications. These problems naturally represent solutions as an ordered permutation of objects. However, as the number of objects increases, finding optimal permutations is extremely difficult when using exact optimization methods. In those circumstances, approximate algorithms such as metaheuristics are a plausible way of finding acceptable solutions within a reasonable computational time. In this paper, we present a technique for clustering and discriminating ordered permutations with potential applications in developing neural network-guided metaheuristics to solve this class of problems. In this endeavor, we developed two different techniques to convert ordered permutations to binary-vectors and considered Adaptive Resonate Theory (ART) neural networks for clustering the resulting binary vectors. The proposed binary conversion techniques and two neural networks (ART-1 and Improved ART-1) are examined under various performance indicators. Numerical examples show that one of the binary conversion methods provides better results than the other, and Improved ART-1 is superior to ART-1. Additionally, we apply the proposed clustering and discriminating technique to develop a neural-network-guided Genetic Algorithm (GA) to solve a flow-shop scheduling problem. The investigation shows that the neural network-guided GA outperforms pure GA.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle