A Particle Swarm Optimization Decomposition Strategy for Large Scale 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
Countless large-scale global optimization (LSGO) problems occur in an ever-growing number of professions. Cooperative co-evolution (CC) has been shown to assist in discovering encouraging solutions to such complicated issues effectively. CC does this by breaking down a massive problem into distinct smaller sub-problems, which, when solved, are combined to form a solution to the original problem. How a problem is broken down is referred to as decomposition. CCs performance on LSGO problems is highly dependent on the decomposition used. Numerous LSGO decomposition methods have been introduced to address this issue; however, finding a favourable decomposition is challenging, hinting there is still room for improvement and further exploration. This paper presents a new particle swarm optimization decomposition (PSOD) strategy for tackling LSGO problems. PSOD, in addition to its parameters, is explored, showing they provide statistically significant importance in their selection for a few of the CEC <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">,</sup> 2013 benchmark functions while being arbitrary for others. Further empirical studies compare PSOD's performance to other leading decomposition algorithms, resulting in PSOD performing best on the fully-separable Ackley function, being interchangeable for a few others, and performing competitively with the rest. PSOD attempts to combine Particle Swarm Optimization (PSO) and Cooperative Particle Swarm Optimization (CPSO) to evolve a decomposition while simultaneously optimizing an objective function for improved performance.
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 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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