Bicriterion Coevolution for the Multi-objective Travelling Salesperson Problem
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
The travelling salesperson problem is an NP-hard combinatorial optimization problem. In this paper, we consider the multi-objective travelling salesperson problem (MTSP), both static and dynamic, with conflicting objectives. NSGA-II and MOEA/D, two popular evolutionary multi-objective optimization algorithms suffer from loss of diversity and poor convergence when applied separately on MTSP. However, both these techniques have their individual strengths. NSGA-II maintains di-versity through non-dominated sorting and crowding distance selection. MOEA/D is good at exploring extreme points on the Pareto front with faster convergence. In this paper, we adopt the bicriterion framework that exploits the strengths of Pareto-Criterion (PC) and Non-Pareto Criterion (NPC) evolutionary populations. In this research, NSGA-II (PC) and MOEA/D (NPC) coevolve to compensate the diversity of each other. We further improve the convergence using local search and a hybrid of order crossover and inver-over operators. To our knowledge, this is the first work that combines NSGA-II and MOEA/D in a bicriterion framework for solving MTSP, both static and dynamic. We perform various experiments on different MTSP bench-mark datasets with and without traffic factors to study static and dynamic MTSP. Our proposed algorithm is compared against standard algorithms such as NSGA-II & III, MOEA/D, and a baseline divide and conquer coevolution technique using performance metrics such as inverted generational distance, hypervolume, and the spacing metric to concurrently quantify the convergence and diversity of our proposed algorithm. We also compare our results to datasets used in the literature and show that our proposed algorithm performs empirically better than compared algorithms.
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 | 0,001 | 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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