A novel hybrid PSO based on levy flight and wavelet mutation for global optimization
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 concise concept and good optimization performance are the advantages of particle swarm optimization algorithm (PSO), which makes it widely used in many fields. However, when solving complex multimodal optimization problems, it is easy to fall into early convergence. The rapid loss of population diversity is one of the important reasons why the PSO algorithm falls into early convergence. For this reason, this paper attempts to combine the PSO algorithm with wavelet theory and levy flight theory to propose a new hybrid algorithm called PSOLFWM. It applies the random wandering of levy flight and the mutation operation of wavelet theory to enhance the population diversity and seeking performance of the PSO to make it search more efficiently in the solution space to obtain higher quality solutions. A series of classical test functions and 19 optimization algorithms proposed in recent years are used to evaluate the optimization performance accuracy of the proposed method. The experimental results show that the proposed algorithm is superior to the comparison method in terms of convergence speed and convergence accuracy. The success of the high-dimensional function test and dynamic shift performance test further verifies that the proposed algorithm has higher search stability and anti-interference performance than the comparison algorithm. More importantly, both t-Test and Wilcoxon's rank sum test statistical analyses were carried out. The results show that there are significant differences between the proposed algorithm and other comparison algorithms at the significance level α = 0.05, and the performance is better than other comparison 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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